​上一篇文章采用langchain_community包协助LangChain实现了对话记忆功能，但langchain_community属于早期链式架构的临时补丁，仅适配简单线性对话。

LangChain官方推荐使用LangGraph实现复杂的会话记忆功能，LangGraph是从底层统一管理全流程状态、支持长短双记忆、原生持久化、适配复杂Agent的标准化记忆架构，常作为生产环境的首选方案。接下来介绍LangGraph在会话记忆方面的简单用法。

一、使用LangGraph的环境准备

在命令行窗口执行下面命令，即可安装LangChain及其用到的Ollama插件，以及记忆功能需要的LangGraph：

确保本地已经通过Ollama下载了离线大模型，比如在命令行窗口执行下面命令，即可下载大模型qwen2:1.5b：

等待大模型下载完毕，在命令行窗口执行下面命令，即可启动Ollama并加载大模型：

二、使用LangGraph记住历史会话

在Python代码开头添加下面的导包语句，表示引入LangChain的智能体组件create_agent、LangChain的大模型工具OllamaLLM，以及LangGraph的内存保存器InMemorySaver：

在OllamaLLM的构造方法中填写model参数，指定当前引用的离线大模型名称，如下：

然后编写下面的LangChain调用代码，先调用create_agent创建启用短期记忆的智能体实例，再通过智能体实例的invoke方法调用离线大模型，示例代码如下：

运行上面的Python代码，根据提示先后输入问题内容“我叫张三”、“我叫什么？”，输出日志结果如下：

由日志信息发现，AI应用在第一个问答中得知用户叫做张三，在第二个问答中仍然记得用户叫做张三。可见通过LangGraph的内存保存器InMemorySaver，初步实现了简单的AI对话记忆功能。

三、使用SummarizationMiddleware压缩历史记忆

前面虽然实现了初步的记忆功能，但随着问答的交互次数增长，要记忆的历史会话也越来越多。为了节省大模型的Token消耗，势必精简历史记忆，以便保留最新的会话记录。
LangGraph提供了摘要中间件SummarizationMiddleware，支持在历史会话超出限制时自动压缩会话记录。引入SummarizationMiddleware之后，增加的代码部分说明如下：

在Python代码开头添加下面的导包语句，表示引入LangChain的摘要中间件SummarizationMiddleware：

另外声明新的大模型实例，用于压缩历史会话记录，如下：

调用create_agent创建智能体实例时，增加输入middleware参数，并设定摘要中间件用到的摘要大模型、Token个数限制、保留消息数等配置，示例代码如下：

重新运行修改后的Python代码，根据提示先后输入问题内容“我叫张三”、“我叫什么？”、“长江有多长？”、“黄河有多长？”、“珠江有多长？”、“黑龙江有多长？”、“我叫什么？”，输出日志结果如下：

由日志信息发现，在第一次询问“我叫什么？”时，AI应用能够正确回答用户叫做张三；但多轮对话后再次询问“我叫什么？”，AI应用已经忘记了用户叫什么。可见通过SummarizationMiddleware初步实现了压缩历史记忆，在会话记录超出限制后将只保留最新的问答信息。

本系列的AI应用开发文章目录为《15天学会AI应用开发全目录（零基础小白，零Token消耗）》。​