Agent 记忆系统学习笔记（四）：从 LangGraph / LangMem 看懂框架级记忆抽象
用 LangGraph / LangMem 作为第四个样本，理解 short-term memory、long-term memory、checkpointer、store、semantic / episodic / procedural memory，以及 hot path 和 background 写入。
写在前面：为什么第四篇看 LangGraph / LangMem
前三篇分别看了三种系统路线：
Mem0：自动抽取 + 多信号召回
Zep：时间知识图谱 + Context Block
Letta：Agent 自主管理记忆 + 上下文层级这一篇我想换一个角度，不再只看某个记忆产品，而是看框架级记忆抽象。
LangGraph / LangMem 的价值在于，它把记忆问题拆得很清楚：
短期记忆：当前 thread 的 state 和 checkpoint
长期记忆：跨 thread 的 store 和 namespace
语义记忆：facts about user
情景记忆：past experiences / examples
程序记忆：instructions / prompts / behavior rules如果说 Mem0、Zep、Letta 分别是不同的系统实现，那么 LangGraph 更像一套开发框架里的基本积木。它不替你决定所有记忆策略，而是告诉你：哪些东西属于状态，哪些东西属于 store，哪些东西应该同步写，哪些东西可以后台写。
一、LangGraph 的核心问题：记忆先是状态管理
很多 Agent 记忆讨论会直接跳到向量库、图数据库、长期偏好。但 LangGraph 的起点更工程化：一个 Agent 工作流本身就是一个状态机。
每次调用图，都会有 state。state 里可能有：
messages
summary
retrieved documents
tool outputs
intermediate artifacts
human feedback
下一步要执行的节点如果这些状态不能持久化，Agent 就无法跨轮继续，也无法在中断后恢复，更无法做 human-in-the-loop 或 time travel。
所以 LangGraph 的记忆首先不是“长期知识”，而是“工作流状态”。
LangGraph 把持久化拆成两套系统：
Checkpointer：保存 thread-scoped graph state
Store：保存 cross-thread long-term memory这个划分非常重要。它让我们把“当前会话连续性”和“跨会话长期记忆”分开看。
二、短期记忆：Checkpointer 保存 thread state
短期记忆在 LangGraph 里通常指 thread-scoped memory。
一个 thread 就像邮件里的一个会话串。用户在这个 thread 里持续和 Agent 对话，Agent 需要记住当前对话发生过什么。
LangGraph 用 checkpointer 保存 graph state 的 checkpoint。调用时传入：
thread_id框架就能找到这个 thread 对应的状态，并在下一次调用时继续使用。
短期记忆适合存：
最近消息
当前任务状态
工具调用结果
中间产物
会话摘要
等待用户确认的 interrupt 状态它的核心价值不只是聊天连续性，还包括：
恢复中断任务
查看历史 state
time travel 到过去 checkpoint
容错和重试
human-in-the-loop 审批这和 Mem0 / Zep 的长期召回不一样。Checkpointer 解决的是：“这个工作流刚刚进行到哪里？”
三、长期记忆：Store 保存跨会话数据
长期记忆在 LangGraph 里通过 store 实现。
Store 保存的是 application-defined data，也就是应用自己定义的 JSON 文档。每条数据通常放在一个 namespace 下面，再用 key 标识。
比如：
namespace = (user_id, "memories")
key = memory_id
value = {"text": "用户喜欢短而直接的回答"}Store 可以在 graph node 内部读写。也就是说，某个节点在调用模型前可以：
根据当前用户输入搜索长期记忆
把搜到的记忆拼进 system prompt
必要时把新记忆写回 store和 checkpointer 的区别是：
| 维度 | Checkpointer | Store |
|---|---|---|
| 范围 | 单个 thread | 跨 thread |
| 内容 | graph state snapshots | 应用定义的长期数据 |
| 用途 | 会话连续性、恢复、中断、time travel | 用户偏好、事实、样例、共享知识 |
| 访问方式 | 通过 thread_id 恢复 state | 通过 namespace / key / search 访问 |
所以，如果用户在 thread A 说“记住我叫 Bob”，然后在 thread B 问“我叫什么”，这就不应该只靠 checkpointer，而应该写进 store。
四、三类长期记忆：Semantic、Episodic、Procedural
LangGraph / LangMem 的另一个价值，是把长期记忆按类型拆开。
Semantic Memory：事实和知识
Semantic memory 是事实记忆。
例如：
用户喜欢 Python。
用户偏好简洁回答。
Alice 负责 ML 团队。
某个项目使用 Postgres。这是大多数人想到“长期记忆”时最先想到的东西。Mem0 主要处理的也是这一类。
Semantic memory 可以有两种常见形态：
Profile：一个持续更新的用户画像 JSON
Collection：一组独立 memory 文档Profile 的好处是整体性强，坏处是越大越难安全更新。Collection 的好处是易追加、召回率高，坏处是关系和全局一致性更难维护。
Episodic Memory：经历和案例
Episodic memory 记的是过去发生过的事件或经验。
在 Agent 里，它经常表现为 few-shot examples：
之前遇到类似任务时，Agent 是怎么做的？
哪个工具调用序列成功解决了问题？
用户之前如何评价某种回答？它回答的不是“事实是什么”，而是“过去怎样处理过”。
这类记忆对 coding agent、客服 agent、自动化 agent 特别重要。因为很多能力不是背事实，而是复用成功轨迹。
Procedural Memory：规则和行为
Procedural memory 记的是“怎么做事”。
在 AI Agent 里，它通常不是真的改模型权重，而是改：
system prompt
instructions
tool usage guidelines
workflow rules
response styleLangMem 的 prompt optimizer 就属于这个方向：从成功和失败轨迹中总结行为改进，再生成新的 prompt 规则。
这点对整个系列很重要。前面 Mem0 和 Zep 更多偏 semantic / episodic；Letta 的 persona、policies、scratchpad 则很接近 procedural / working memory。LangGraph 把这些类型统一到了一个分类框架里。
五、写入时机：hot path 还是 background
长期记忆还有一个关键问题：什么时候写？
LangGraph 文档把它分成两类：
Hot path 写入
Hot path 是在用户请求链路里直接写记忆。
比如用户说：
记住，我以后都想用中文回答。Agent 立刻把它写入 store。下一轮马上生效。
优点：
实时
透明
新记忆立刻可用缺点：
增加延迟
Agent 要分心判断是否写入
写入质量可能影响主任务Background 写入
Background 是在主流程之外异步整理记忆。
比如：
对话结束后总结用户偏好
每天批量整理用户历史
后台从工具调用轨迹中抽取可复用经验
定期优化 system prompt优点：
不影响主链路延迟
可以用更复杂的抽取逻辑
适合批处理和人工审核缺点：
新记忆不会立刻生效
需要任务队列和触发策略
可能出现过期或重复记忆这也是记忆系统真正复杂的地方。不是“要不要写入向量库”，而是要回答：
谁来判断这件事值得记？
什么时候写？
写到哪一类记忆？
旧记忆冲突时怎么办？
是否需要用户确认？六、召回链路：state 直接读，store 按需搜
LangGraph 的召回链路也很清楚：
短期上下文来自 state
长期上下文来自 store
node 负责把二者组装进 prompt一次典型调用可能是：
1. Graph node 收到当前 state
2. 从 state 读取最近 messages 和当前任务状态
3. 根据 user_id 和当前 query 搜索 store
4. 得到相关长期记忆
5. 把短期状态 + 长期记忆组织进模型 prompt
6. 模型生成回答或工具调用
7. 根据结果更新 state，必要时写入 store这和“把所有历史对话都塞进上下文”有本质区别。
LangGraph 的方式是分层的：
当前 thread 内的连续性：state / checkpoint
跨 thread 的长期偏好：store / namespace
相关性筛选：search
最终上下文构造：node / prompt也就是说，记忆不是一个单独 API，而是嵌在 graph execution 里的上下文工程。
七、LangMem：把记忆抽取和行为优化工具化
LangGraph 本身提供 state、checkpoint、store、node 这些基础设施。LangMem 则更进一步，提供围绕长期记忆的工具包。
它重点做几件事：
从对话中抽取和更新长期记忆
管理 semantic / episodic / procedural memory
从反馈和轨迹中优化 agent 行为
和 LangGraph store 集成如果 LangGraph 是“可以建记忆系统的框架”，LangMem 更像“常见记忆策略的 SDK”。
这两个东西放在一起，形成了一个很完整的抽象层：
LangGraph：状态机、持久化、store、runtime
LangMem：记忆抽取、记忆更新、prompt 优化、行为学习但它们仍然不是 Mem0 或 Zep 那种开箱即用的 memory service。你需要自己决定：
记忆 schema 怎么设计
namespace 怎么划分
哪些 node 负责检索
哪些 node 负责写入
是否要向量搜索
是否要人工审核
如何处理冲突、遗忘和权限这就是框架级方案和产品级方案的区别。
八、和 Mem0、Zep、Letta 的对应关系
把前四篇放在一起看，会更清楚：
Mem0：记忆是可排序的事实集合
Mem0 更偏产品化记忆层。它帮你自动抽取 memory，再在召回时做语义、图关系、时间、实体等多信号排序。
你关心的是：
怎么接入 memory API
怎么让系统自动记住用户偏好
怎么在回答前拿到相关 memoriesZep：记忆是带时间的关系图
Zep 的重点是事实、实体、关系、时间和 invalidation。
它关心的是：
事实什么时候成立
后来有没有被推翻
哪些实体和关系影响当前问题
如何组装成 context blockLetta：记忆是 Agent 可管理的上下文层级
Letta / MemGPT 的核心是让 Agent 自己管理 memory hierarchy。
它关心的是：
core memory 放什么
archival memory 怎么查
context 满了怎么换页
Agent 如何通过工具修改自己的记忆LangGraph：记忆是 Agent 应用里的可编排基础设施
LangGraph 不把记忆封装成一个黑盒服务，而是把它拆成：
state
checkpoint
store
namespace
node
prompt assembly
background task它关心的是：
一个真实 Agent 应用如何可靠运行、恢复、检索、写入和演化所以 LangGraph 更像 memory operating system 的开发框架，而不是单独的 memory app。
九、我的判断：LangGraph 适合把“记忆”放回工程系统里
看完 LangGraph / LangMem，我最大的感受是：它把“记忆”从一个模型能力问题，重新拉回到工程系统问题。
真实应用里，Agent 记忆至少包含四层：
执行状态：当前任务跑到哪里了
会话上下文：这个 thread 里刚刚发生了什么
长期用户偏好：跨会话稳定存在的事实
行为改进：Agent 应该如何变得更会做事不同层的生命周期完全不同。
执行状态可能几分钟后就没用
会话上下文可能保留几天
用户偏好可能长期有效
行为规则需要持续评估和版本管理如果用一个“记忆库”概念把它们全部混在一起，系统迟早会变得混乱。
LangGraph 的优点是：它没有假装所有问题都能靠一个 memory API 解决。它提供了足够底层、但又足够实用的抽象，让你按自己的应用边界来设计记忆。
它的缺点也来自这里：你需要自己承担更多设计工作。
如果你想快速给聊天机器人加长期用户偏好，Mem0 可能更快。
如果你想要时间图谱和事实失效，Zep 更直接。
如果你想研究 Agent 自主管理上下文，Letta 更有启发。
如果你要搭一个复杂、多节点、可恢复、可调度、可观测的 Agent 应用，那么 LangGraph / LangMem 会更自然。
十、这一篇的结论
LangGraph / LangMem 让我重新理解了 Agent 记忆系统的一个基本事实：
记忆不是一个单独模块，而是贯穿 Agent 执行、状态管理、检索、写入、提示词构造和行为优化的系统能力。
它的核心贡献不是提出一种新的记忆数据库，而是把记忆拆成了几个工程上可操作的概念：
短期记忆：thread state + checkpointer
长期记忆：namespace + store
记忆类型：semantic / episodic / procedural
写入时机：hot path / background
召回方式：state read / store search / prompt assembly这套抽象非常适合用来回看整个系列。
如果说：
Mem0 解决“哪些事实值得记、怎么排”
Zep 解决“事实之间有什么时序关系”
Letta 解决“Agent 如何自己管理上下文”那么 LangGraph 解决的是：
这些记忆机制如何变成一个可运行、可恢复、可扩展的 Agent 应用架构。下一篇我会继续看 Cognee / LightRAG 这条路线。它们把重点从“用户和 Agent 的交互记忆”推向“知识图谱增强的长期知识记忆”。这会帮助我们理解另一类问题：当 Agent 面对的不是一个用户偏好，而是一大堆文档、代码和业务知识时，记忆系统应该怎么建。