基于 LangGraph 与 Mem0 实现 AI Agent 的长期记忆与个性化体验

由于借助了 LLM 进行语义理解，提示词（Prompt）的设计至关重要。开发者可以在创建 Memory 对象时，设置 custom_prompt 参数来定制记忆提取的逻辑，例如指定只提取特定类型的偏好信息。

三、用 LangGraph + Mem0 创建个性化体验的 AI Agent

LangGraph 是 LangChain 推出的用于构建有状态多智能体应用（Stateful Multi-Agent Applications）的库。结合 Mem0，我们可以创建一个具有强大长期记忆能力的 Agent。

1. 环境准备

首先安装必要的依赖包：

pip install mem0 langgraph langchain-openai langchain-community chromadb tavily-python

2. 初始化 Mem0 记忆对象

我们需要配置 Mem0 使用 OpenAI 作为 LLM 提供商，Chroma 作为向量数据库。OpenAI Key 需配置在环境变量中。

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
import os

# 个性化长期记忆，采用 Chroma 向量库存储
mem0 = Memory.from_config({
    "version": "v1.1",
    "llm": {
        "provider": "openai",
        "config": {
            "model": "gpt-4o-mini",  # 可根据成本选择其他模型
            "api_key": os.getenv("OPENAI_API_KEY")
        }
    },
    "vector_store": {
        "provider": "chroma",
        "config": {
            "collection_name": "chat_memory",
            "path": "./db",  # 本地存储路径
        }
    }
})

3. 定义 LangGraph 状态与工作流

为了区分不同用户的记忆，必须在 State 中保留一个 mem0_user_id。这是实现多用户隔离的关键。

# 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 节点逻辑
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
    # 注意：这里使用了 search 方法，传入当前消息内容和用户 ID
    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"
    
    # 构建 System Message，注入个性化上下文
    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（注意绑定工具）
    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
    # 将本轮对话的用户输入和助手输出一起添加到记忆中
    conversation_text = f"User: {messages[-1].content}\nAssistant: {response.content}"
    mem0.add(conversation_text, user_id=user_id)
    
    return {"messages": [response]}

# 辅助方法：判断是否需要调用工具
# 根据大模型的反馈来决定是结束，还是调用工具
# 如果 LLM 返回了 tool_calls，则继续执行搜索节点
# 否则结束对话

def should_continue(state):
    messages = state["messages"]
    last_message = messages[-1]
    
    if not last_message.tool_calls:
        return "end"
    else:
        return "continue"

# 定义一个 graph 工作流
workflow = StateGraph(State)
workflow.add_node("llm", chatbot)
workflow.add_node("search", tool_node)
workflow.set_entry_point("llm")

# 添加条件边：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()

4. 测试 Agent 的记忆能力

编写测试脚本模拟多轮对话，验证记忆是否被正确保存和检索。

if __name__ == "__main__":
    print("AI: 你好！有什么可以帮助你？")
    mem0_user_id = "testuser_001"  # 模拟用户 ID
    
    while True:
        user_input = input("输入：")
        if user_input.lower() in ['quit', 'exit', 'bye']:
            break
        
        # 配置线程 ID，确保状态隔离
        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)

5. 效果验证

运行上述代码，我们可以观察到以下行为：

1. 首次交互：用户告知 AI 自己最近爱看足球、不喜欢坐飞机、对历史文化名城感兴趣。
2. 记忆存储：Agent 将这些信息通过 Mem0 存入向量数据库。
3. 重启会话：退出程序并重新运行，再次输入相同用户 ID。
4. 记忆检索：AI 能够主动提及之前用户提到的足球爱好，并据此推荐相关活动。
5. 个性化规划：当用户请求旅行建议时，AI 会自动避开飞机选项，并推荐历史文化名城，无需用户重复说明偏好。

注意：Agent 的记忆是与 user_id 绑定的。如果更换 user_id，系统将视为新用户，不会获得之前的记忆信息，从而开始创建新的用户记忆。这保证了数据隐私和多租户隔离。

四、进阶优化与最佳实践

在实际生产环境中部署此类系统时，还需考虑以下因素以提升稳定性和性能。

1. 记忆更新策略

Mem0 默认会根据新输入动态更新记忆。但在某些场景下，可能需要更精细的控制。例如，对于敏感信息（如密码、身份证号），不应被提取为记忆。可以通过自定义 Prompt 限制提取范围，或在 add 方法前增加数据清洗步骤。

2. 检索优化

在 chatbot 节点中，我们直接调用了 mem0.search。为了提高检索准确率，可以参考 RAG（检索增强生成）的优化技巧：

• 混合检索：结合关键词检索与向量检索。
• 重排序（Rerank）：对检索到的记忆片段进行相关性打分排序，仅取 Top-K 个放入 Context。
• 查询改写：在搜索前，利用 LLM 将用户当前问题改写为更适合检索的陈述句。

3. 成本控制

每次对话都调用 LLM 进行记忆提取和检索会增加 Token 消耗。建议：

• 使用小模型（如 gpt-4o-mini）处理记忆任务。
• 降低记忆检索的频率，例如每 N 次对话才检索一次。
• 定期清理过期记忆，减少向量库体积。

4. 错误处理

网络波动或 API 超时可能导致记忆写入失败。建议在 mem0.add 周围包裹 try-except 块，确保即使记忆写入失败，主对话流程仍能正常进行，避免阻塞用户体验。

五、总结

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。

相比于传统的 Session 管理，Mem0 提供了一种更语义化、更持久的记忆方式。结合 LangGraph 的状态管理机制，开发者可以构建出既具备复杂逻辑处理能力，又拥有'人情味'的智能体系统。未来，随着多模态记忆支持的完善，AI Agent 的记忆能力将更加接近人类，为下一代人机交互奠定坚实基础。