当LangGraph遇上Mem0：如何让你的AI Agent具有更智能的记忆与个性化的体验？

AI Agent（智能体）的记忆（Memory）被认为是一项必备的基础能力，它用来提取、存储会话中的重要信息并用于后续的检索与使用。可以把记忆简单地分成短期记忆与长期记忆两种，用来“记住”不同类型的信息：

在这里插入图片描述

短期记忆通常用来缓存一次会话过程的上下文与推理过程；而长期记忆则为AI 智能体提供了持久的重要信息存储与快速检索能力。

目前无论是LangChain/LlamaIndex这样的底层LLM框架，还是一些低代码平台，在短期记忆能力上都有相对完善的解决方案；但在长期记忆能力的实现上则相对不足，特别是更智能的个性化记忆能力。

本文介绍一种广受欢迎的AI记忆开源解决方案：Mem0（Mem0背后公司的一款基于Mem0的AI聊天应用获得了OpenAI的投资）：

AI应用需要怎样的长期记忆
Mem0是怎么工作的
用LangGraph+Mem0实现个性化Agent体验

AI应用需要怎样的长期记忆

很多时候，我们希望AI应用能够提供一种更个性化的人工智能体验：随着时间的推移，AI能够记住每个使用者的一些独特信息，比如个人资料、专业细节、偏好、个人计划、习惯等，并能够在未来的交互中轻松地检索到这些信息，用来实现更针对性与个性化的AI体验。比如：

个性化的AI学习。记住不同学员的特点与习惯以提供针对性的教学过程。
个性化的AI客户服务。 根据客户的历史交互与信息提供更智能的服务体验。
个性化的AI个人助理。 根据个人偏好与习惯提供更有吸引力的推荐与帮助。
个性化的AI医疗咨询。根据咨询者的信息、病史、用药等做更精准的诊断。

注意这些信息需要在跨越多用户、多次会话、甚至多个AI应用时保留与检索。

除此之外，参考人类的记忆习惯，我们还希望AI的长期记忆能够：

智能记忆： 并非简单对话历史的存储，而是智能的理解、提取与记住重要信息与相关事实。

比如：从一次旅游规划对话中识别客户偏好的酒店类型、出行习惯。
自适应学习： 随着用户的不断使用与交互，能够持续提高个性化信息的丰富性与准确性。

比如：在多次对话中不断完善对客户信息与画像的了解。
动态更新： 根据新的交互信息动态更新记忆内容。

比如：在对话中识别出使用者的工作发生了变化，需要更新之前的记忆。
更准确的检索与响应： 优先考虑最近最相关的记忆信息，及时忘记过时信息，以提供更准确的个性化上下文。
比如：回忆最近一段时间的客户用餐爱好，并做针对性推荐。

以上这些能力要求，也正是Mem0已经具备的核心特性。

Mem0是怎么工作的？

简单地说，Mem0就是为基于LLM的AI应用而设计的独立记忆层。通过它可以帮助AI应用实现跨应用持久、智能、自适应与动态的长期记忆与回忆能力，以用来实现真正的个性化AI体验。

Mem0的主要构成与工作方式用下图表示：

Mem0提供了简单的记忆管理API用来集成到你自己的AI应用
Mem0借助LLM与嵌入模型来智能的生成与更新记忆，并实现语义检索
Mem0的后端需借助向量数据库或者图数据库来组织、存储与检索记忆

以Mem0简单的增加记忆（add方法）为例，其核心处理过程大致为：

可以看到，Mem0借助了LLM来实现对记忆事实的提取，并能够根据新的交互信息来动态更新历史记忆，以保留最新的个性化记忆，并遗忘无用的记忆。由于借助了LLM，因此提示词就显得非常重要。如果你需要定制自己的记忆提取的提示词，可以在创建Memory对象时，设置custom_prompt参数。

用LangGraph+Mem0创建个性化体验的AI Agent

现在，让我们来创建一个具有个性化记忆能力的AI Agent，相对LangChain框架中的记忆组件，Mem0提供了更强大与智能的另外一种选项。

这里仍然用之前我们演示使用的智能体：**一个带有网络搜索功能的简单对话机器人。****但这次我们增加了长期记忆选项，用来实现跨多次会话、多用户甚至多Agent的个性化交互能力。**工作流程如下：

【创建记忆】

创建一个Mem0的Memory对象，向量数据库使用嵌入式的Chroma，LLM使用OpenAI的gpt-4o-mini模型（OpenAI的Key在环境变量配置）：

from mem0 import Memory  
from typing import Annotated, TypedDict, List  
from langgraph.graph import StateGraph, START, END  
from langgraph.graph.message import add_messages  
from langchain_openai import ChatOpenAI  
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage  
from langchain_community.tools.tavily_search import TavilySearchResults  
from langgraph.prebuilt import ToolNode  #个性化长期记忆，采用chrona向量库存储  
mem0 = Memory.from_config({  "version":"v1.1",  "llm": {  "provider": "openai",  "config": {  "model": "gpt-4o-mini"  }    },  "vector_store": {  "provider": "chroma",  "config": {  "collection_name": "chat_memory",  "path": "./db",  }  }  
})

【创建LangGraph工作流与Agent】

定义LangGraph中的节点行为，最后创建工作流，并添加节点与边。这里针对Mem0的主要修改集中在chatbot这个节点方法中。简单解释如下：

为了区分不同用户的记忆，会在state中保留一个mem0_user_id。在添加记忆或者检索记忆时都需要携带这个user_id。（在实际应用中，这个id很可能是你的某个客户ID）
在chatbot回复之前，先根据输入消息内容检索关联的个性化记忆(search)，并把检索到的记忆组装成System Message。（这是一个常见的优化点，即如何检索出更相关的记忆，可以参考RAG优化中的一些方法）
将System Message与用户消息一起作为上下文输入给LLM，从而在生成响应时，大模型能够根据个性化的记忆作出响应。
在本轮交互结束后，调用add接口将该用户的本次对话信息添加到记忆中。Mem0会自动识别和合并，以用于下次检索。

#定义LangGraph的State  
class State(TypedDict):  messages: Annotated[List[HumanMessage | AIMessage], add_messages]  mem0_user_id: str  # 调用搜索引擎的工具节点，利用ToolNode构建  
tools = [TavilySearchResults(max_results=1)]  
tool_node = ToolNode(tools)  #定义chatbot节点  
def chatbot(state: State):  messages = state["messages"]  user_id = state["mem0_user_id"]  # 取出关联的个性化记忆，并组装成context，放在system message中  memories = mem0.search(messages[-1].content, user_id = user_id)["results"]  context = "历史对话中的相关信息有：\n"  for memory in memories:  context += f"- {memory['memory']}\n"  system_message = SystemMessage(content=f"你是一个乐于助人的客户支持助手。利用所提供的上下文来个性化你的回复，并会记住用户的偏好和过去的交互。\n{context}")  # 组装消息，并调用LLM（注意绑定tools）  full_messages = [system_message] + messages  llm = ChatOpenAI(model="gpt-4o-mini") .bind_tools(tools)  response = llm.invoke(full_messages)  # 记住本地对话的信息  mem0.add(f"User: {messages[-1].content}\nAssistant: {response.content}", user_id=user_id)  return {"messages": [response]}  # 一个辅助方法：判断是否需要调用工具  
def should_continue(state):  messages = state["messages"]  last_message = messages[-1]  #根据大模型的反馈来决定是结束，还是调用工具  if not last_message.tool_calls:  return "end"  else:  return "continue"  # 定义一个graph  
workflow = StateGraph(State)  
workflow.add_node("llm", chatbot)  
workflow.add_node("search", tool_node)  
workflow.set_entry_point("llm")  # 一个条件边，即从agent出来的两个分支及条件  
workflow.add_conditional_edges(  "llm",  should_continue,  {  "continue": "search",  "end": END,  },  
)  # action调用后返回agent  
workflow.add_edge("search", "llm")  
graph = workflow.compile()

【测试Agent的记忆能力】

准备如下的简单测试代码：

if __name__ == "__main__":  print("AI: 你好！有什么可以帮助你？")  mem0_user_id = "testuser"  # You can generate or retrieve this based on your user management system  while True:  user_input = input("输入: ")  if user_input.lower() in ['quit', 'exit', 'bye']:  break  config = {"configurable": {"thread_id": mem0_user_id}}  state = {"messages": [HumanMessage(content=user_input)], "mem0_user_id": mem0_user_id}  response = graph.invoke(state,config)  print("AI: ",response["messages"][-1].content)

我们首先做一些简单的交互对话，试图让Agent产生一些“记忆”：

在这里插入图片描述

这里的会话中传递了一些个性化的信息：最近爱看足球、不喜欢坐飞机、对历史文化名城感兴趣等。

现在让我们退出，然后重新启动应用，并开始新的对话：

在这里插入图片描述

可以看到，AI知道你最近对足球比赛感兴趣，并进行了推荐。继续上面的对话：

在这里插入图片描述

没错，AI也了解你对历史文化名城感兴趣，所以做了更贴心更针对性的规划。

注意，这里Agent的记忆是和user_id相关的（测试代码中为testuser），如果你更换这个user_id，那么将不会获得之前testuser的记忆信息，而会重新开始创建新的用户记忆。

小结

借助Mem0你可以快速地给自己的AI应用与智能体添加额外的持久记忆体，以记住用户偏好、曾经的互动、任务的进度等，从而构建自适应的学习与记忆能力，实现完全个性化的AI应用体验。这在个人助理、客户服务、智能咨询、企业生产力应用等领域都可以有广泛的应用。

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

在这里插入图片描述

二、AI大模型视频教程

在这里插入图片描述

三、AI大模型各大学习书籍

在这里插入图片描述

四、AI大模型各大场景实战案例

在这里插入图片描述

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。