很多人在学习 LangChain 或 LangGraph 时，都会看到 Checkpoint（检查点）。

第一次看到，很容易理解成：

"是不是就是保存聊天记录？"

实际上，并不是。

Checkpoint 保存的不是简单的聊天内容，而是：

Agent 在某一时刻的完整运行状态（State）。

可以把它理解成：

游戏存档（Save Game）

而不是聊天记录。

---

一、为什么需要 Checkpoint？

假设一个 AI Agent 正在执行一个复杂任务。

例如：

用户：

帮我分析今年销售数据，
然后生成 PPT，
最后发邮件给老板。

Agent 开始执行：

Step1

读取数据库

√

-----------------

Step2

分析数据

√

-----------------

Step3

生成图表

√

-----------------

Step4

生成PPT

√

-----------------

Step5

发送邮件

×（失败）

如果没有 Checkpoint。

下一次只能：

重新开始

整个流程全部执行。

而有了 Checkpoint。

可以：

恢复到

Step4

继续执行。

这就是 Checkpoint 最大的作用。

---

二、Checkpoint 保存什么？

很多人误认为：

Checkpoint 就是：

聊天记录

实际上远不止这些。

一般会保存：

State

├── Messages
├── Tool Calls
├── Tool Results
├── Variables
├── Next Node
├── Graph State
├── Context
└── Metadata

例如：

Agent

↓

调用Tool

↓

Tool返回

↓

LLM继续思考

Checkpoint 会记录：

Tool 已经调用过

不用重复调用

---

三、Checkpoint 更像什么？

更准确来说：

Checkpoint 更像：

CPU

↓

寄存器

+

内存快照

或者：

游戏存档

而不是：

聊天历史

聊天记录只是其中一部分。

---

四、一个 Checkpoint 示例

假设：

用户：

帮我查询订单123456，
如果未发货就申请退款。

Agent：

Step1

Query Order

↓

返回

未发货

Checkpoint：

可能类似：

{
    "messages":[...],

    "current_node":"refund",

    "tool_calls":[
        "query_order"
    ],

    "tool_result":{
        "status":"未发货"
    }
}

然后继续：

Refund Tool

如果程序崩了。

恢复：

不用重新查订单。

直接：

Refund

---

五、LangGraph 中 Checkpoint 的作用

LangGraph 本质就是：

Graph

Node

↓

Node

↓

Node

Checkpoint 保存：

Graph 当前执行到哪。

例如：

Node1

↓

Node2

↓

Node3

↓

Node4

Checkpoint：

current_node

Node3

恢复：

直接：

Node3

↓

Node4

---

六、Checkpoint 保存的是"Agent State"

LangGraph 官方一直强调：

Checkpoint 保存的是：

State

例如：

State

{

messages,

documents,

summary,

tool_results,

user_profile,

current_step

}

不是：

聊天内容

而是：

整个 Agent 的状态。

---

七、人能看懂吗？

答案：

能看，但通常不建议直接阅读。

Checkpoint 本质通常是：

{
    "messages":[...],
    "tool_calls":[...],
    "graph_state":{...},
    "next":"agent",
    "metadata":{...}
}

虽然是 JSON。

但是：

几百KB

甚至几MB

里面：

• Message

• Tool

• State

• Context

全部混在一起。

开发人员可以调试。

普通人基本不会直接阅读。

所以：

Checkpoint 更适合程序恢复，而不是人工查看。

---

八、Checkpoint 与 Memory 的区别

很多人容易混淆：

Memory

Checkpoint

实际上完全不是一个东西。

Memory	Checkpoint
长期记忆	当前状态
保存用户信息	保存 Agent 状态
可以跨很多天	一次任务生命周期
用户画像	Graph 执行状态
AI 知识	AI 运行现场

举例：

Memory：

用户：

我喜欢苹果手机。

保存：

Preference

以后还能用。

Checkpoint：

当前执行到了：

Tool3

任务结束。

Checkpoint 可以删除。

---

九、什么时候需要 Checkpoint？

适用于：

长流程Agent

Workflow

审批系统

Research Agent

Coding Agent

客服工单

自动化流程

多Agent协作

例如：

AI招聘

↓

读取简历

↓

评分

↓

生成报告

↓

发送邮件

如果：

发送邮件失败

恢复：

不用重新评分。

---

十、Checkpoint 存在哪里？

LangGraph 已经支持多种 Checkpointer。

例如：

MemorySaver

开发环境：

内存

生产环境：

SQLite

Redis

Postgres

MongoDB

都可以。

本质就是：

保存：

State Snapshot

---

十一、Checkpoint 生命周期

开始任务

      │

      ▼

Checkpoint1

      │

      ▼

Checkpoint2

      │

      ▼

Checkpoint3

      │

      ▼

任务完成

      │

      ▼

删除（可选）

也可以一直保存。

方便：

Replay。

---

十二、总结

LangChain / LangGraph 中的 Checkpoint，本质上是一种 Agent 状态快照（State Snapshot），而不是聊天记录。

它记录的是 Agent 在某一时刻的执行现场，包括消息、工具调用结果、当前节点、变量、上下文等信息，使 Agent 能够在程序中断、任务暂停或人工介入后，从之前的位置继续执行，而无需重新开始。

概念	作用
Chat History	保存聊天内容
Memory	保存长期记忆、用户画像、历史偏好
Checkpoint	保存 Agent 当前执行状态
State	Agent 当前所有运行数据
Snapshot	某一时刻 State 的完整快照

可以用一句话概括：

Memory 解决的是"AI 记住了什么"，Checkpoint 解决的是"AI 当前执行到了哪里"。

因此，可以把 Checkpoint 理解为 Agent 能读懂的运行状态快照。它主要服务于程序恢复、任务续跑、工作流调试和多 Agent 协作，而不是为了让人阅读或理解。

补充一点容易混淆的概念，也是很多面试会问的：

• State（状态）：当前内存中的运行状态，是"活的"。

• Checkpoint（检查点）：某一时刻 State 的持久化快照（Snapshot）。

• Memory（记忆）：跨多个任务长期保留的信息，如用户画像、偏好、历史摘要等。

三者关系可以理解为：

Agent Running
      │
      ▼
Current State（运行中的状态）
      │
      ├── 写入 Checkpoint（保存现场，可恢复）
      │
      └── 提炼部分信息写入 Memory（长期记忆，可跨任务）

这个区别是理解 LangGraph 状态管理体系的关键。