LangGraph 是怎么让 Agent “记住“对话的？拆解 thread 与 Checkpoint

❝

大模型本身是"过目就忘"的——每次调用都是一张白纸。可你用 LangGraph 搭的 Agent，却能续聊、能恢复、甚至能"回到三步之前重新跑"。这背后靠的是两个核心概念：「thread（一次对话）」 和 「Checkpoint（每一步的状态快照）」。这篇文章用 6 张图把 LangGraph 的会话管理彻底讲透，并在最后引申一下生产级框架 DeepAgents 在它之上做了哪些加固。

❞

开场：模型没记性，记性是"框架"给的

先说个反直觉的事实：大模型 API 是**无状态（stateless）**的。它每次被调用，只能看到这一次请求里塞进去的内容，**「根本不记得」**上一轮你说过什么。

那"连续对话"是怎么来的？靠框架在背后维护一份历史，每次调用都重新递给模型。这层"管历史"的基础设施，就是**「会话管理（Session Management）」**。

不同框架给出的答案差异很大。LangGraph 的答案尤其有特点——它没有单独造一个"会话模块"，而是把会话管理**「收进了一个更通用的抽象」**：状态图（StateGraph）+ 检查点（Checkpoint）。理解了这套抽象，你不仅懂了它怎么记对话，还顺带理解了它为什么能做到时间旅行、断点续跑这些别家做不到的事。

我们从最外层的 thread 开始往里剥。

一、一次对话 = 一个 thread

在 LangGraph 里，一段连续对话被称为一个 「thread」（线程，但跟操作系统的线程没关系，理解成"对话线"更准确）。每个 thread 由一个 thread_id 唯一标识。

你调用 Agent 时，thread_id 不是写在请求体里，而是放在一个叫 config.configurable 的配置包里传进去：

config = {"configurable": {"thread_id": "abc-123"}}# 第一轮await agent.ainvoke({"messages": [HumanMessage("帮我建个项目")]}, config=config)# 第二轮——只要带上同一个 thread_id，它就接着上一轮聊await agent.ainvoke({"messages": [HumanMessage("再加个测试")]}, config=config)

注意第二轮：我们只塞了一句新消息，「完全没有手动把第一轮的历史拼进去」。LangGraph 自己根据 thread_id 把这个 thread 之前的状态捞了出来、接着往后跑。这就是 thread 的意义——「它是"自动续聊"的钥匙」。

换一个 thread_id，就是开一段全新的、互不干扰的对话。多用户、多会话的隔离，本质上就是发不同的 thread_id。（DeepAgents 里用 UUID7 来生成新的 thread id。）

那么问题来了：LangGraph 凭什么能根据 thread_id 把历史"捞出来"？答案在下一层——Checkpoint。

二、核心机制：每走一步，拍一张快照

这是 LangGraph 会话管理**「最该理解的一点」：它的存储模型不是"一个消息数组",而是「一连串状态快照」**。

LangGraph 把 Agent 的运行看成一张图，每执行一个节点（比如"调一次模型"“跑一个工具”），就把当时的**「完整状态」**拍一张快照存下来，这张快照就叫一个 「Checkpoint」。

每个 Checkpoint 有三个关键标识：

• thread_id：属于哪段对话；
• checkpoint_id：这是该对话里的第几张快照（单调递增）；
• parent_checkpoint_id：上一张快照是谁——靠它，所有快照串成一条**「链」**。

落到存储里（以 SQLite 为例），就是这样一张表，主键是三元组 (thread_id, checkpoint_ns, checkpoint_id)：

PRIMARY KEY (thread_id, checkpoint_ns, checkpoint_id)-- 还有 parent_checkpoint_id 字段，把快照前后串起来

❝

checkpoint_ns（namespace）是给子图用的命名空间，主 Agent 默认是空串，先不用管它。

❞

为什么要存"快照链"而不是"消息数组"？因为快照链能干两件数组干不了的事：「精确恢复到任意一步」，以及**「从任意一步岔出新分支」**（第六节细说）。代价是体积更大——这点 DeepAgents 有专门优化，最后一节会讲。

三、快照里到底装了什么：State 与 channels

既然每个 Checkpoint 是"完整状态的快照"，那这个"状态"是什么？

在 LangGraph 里，状态（State）是一个**「带类型的字典」**，里面是若干个字段，每个字段叫一个 「channel（通道）」。对一个对话 Agent 来说，最核心的 channel 就是 messages——对话历史本身。

channel 有个很关键的特性：「它不是简单赋值，而是带"归并规则（reducer）"的」。比如 messages 这个 channel 的规则是"追加"——你这一步返回几条新消息，框架就把它们**「追加」**到已有历史后面，而不是覆盖。这就是为什么你每轮只用返回新消息，历史会自动累积。

除了 messages，State 里还能放别的 channel。DeepAgents 就额外塞了几个私有字段，比如：

• _summarization_event：记录"上次在哪儿压缩过、摘要是什么"；
• _context_tokens：当前上下文用了多少 token。

这些私有 channel 跟着 Checkpoint 一起持久化，但**「不会」**直接发给模型——它们是会话管理自己的"账本"。

一句话记住：「Checkpoint 存的是整个 State（所有 channel），而不只是聊天记录。」 这也是为什么 LangGraph 能恢复的不仅是"说过的话"，还有 Agent 运行到一半的各种中间状态。

四、Checkpoint 存哪儿？可插拔的 Checkpointer

负责"把 Checkpoint 写进去、读出来"的组件，叫 「Checkpointer」。它是一个接口，后端可以随意替换：

用法就是编译 graph 时把它传进去：

from langgraph.checkpoint.memory import MemorySaveragent = create_agent(model, tools, checkpointer=MemorySaver())

「关键点：没有 checkpointer，就没有记忆。」 如果你编译 graph 时不传 checkpointer，那它就是无状态的——每次调用都从头开始，thread_id 也救不了你。这是新手最容易踩的坑：明明传了 thread_id 却发现不记事，十有八九是忘了配 checkpointer。

DeepAgents 的 CLI 在生产模式下默认用 AsyncSqliteSaver，把所有对话落到 ~/.deepagents/sessions.db 这个文件里。它甚至还会直接查这张表来实现"会话列表""删除会话"这类管理功能，绕过 Agent 直接读底层数据，图个快。

五、恢复对话：同一个 thread_id 就够了

有了 thread + checkpointer，"恢复对话"这件听起来很复杂的事，就变得朴素得不像话：

「继续聊」：用同一个 thread_id 再发一次请求就行。LangGraph 自动找到这个 thread 的最新 Checkpoint，把状态恢复出来，接着往后跑。程序重启过？没关系，只要 checkpointer 是持久化的（SQLite/Postgres），历史还在磁盘上。

「把历史读出来」（比如刷新 UI 要重新渲染对话）：调 aget_state：

state = await agent.aget_state(config)   # config 里带着 thread_idmessages = state.values["messages"]       # 历史消息都在这儿

「手动改状态」（比如插入一条系统提示、或人工干预）：调 aupdate_state，它会基于当前快照生成一张新快照。

❝

一个工程细节：DeepAgents 在客户端-服务端模式下，服务器重启后可能出现"磁盘上有 Checkpoint、但内存里的 thread 记录没了"的错位，它专门写了个 aensure_thread 来先确保 thread 记录存在，再操作状态。生产级框架的麻烦，往往都藏在这种边角料里。

❞

六、杀手锏：时间旅行与分叉

快照链相比"消息数组"最大的优势，在这一节兑现。

因为每一步都留了快照、快照之间又有父子链，所以你能做两件很酷的事：

「① 时间旅行（time-travel）」：在 config 里指定一个**「历史」**的 checkpoint_id，就能让 Agent"回到那一刻"的状态。配合 get_state_history 把整条链列出来，你可以挑任意一张快照重放。

# 列出这个 thread 的所有历史快照async for snapshot in agent.aget_state_history(config):    print(snapshot.config["configurable"]["checkpoint_id"])# 指定回到某一张old_config = {"configurable": {"thread_id": "abc-123", "checkpoint_id": "xxx"}}await agent.ainvoke(new_input, config=old_config)

「② 分叉（fork）」：从历史某张快照重新跑、且给不同的输入，就会**「岔出一条新的快照分支」**——原来的历史完好无损，新的探索另起一条线。这对"我想试试换个方向会怎样"的场景极其有用。

值得说明的是：「这是 LangGraph 框架层提供的能力」。建立在它之上的 DeepAgents 出于产品简洁性考虑，目前**「没有把时间旅行/分叉暴露给终端用户」**——它只用 checkpoint_id 做了"会话列表缓存失效"之类的小事。能力在底座，用不用是上层产品的选择。

七、别混淆：Session（短期）vs Store（长期记忆）

聊到这里要澄清一个特别容易搞混的概念。我们前面讲的所有东西——thread、Checkpoint——管的都是**「一段对话内部」的记忆，是「短期」**的、按 thread 隔离的。

但 Agent 还需要另一种记忆：「跨对话的长期记忆」。比如"这个用户偏好用中文"“上个月帮他建过一个电商项目”——这些信息不该绑死在某一个 thread 里，换一段新对话也得记得。

LangGraph 把这两件事**「分得很干净」**：

设计你自己的 Agent 时，先想清楚每条信息该进哪边：「"只在这次对话有用"的进 Checkpoint，"换个对话也得记得"的进 Store。」 想不清楚，后面就是数据串台和隐私泄露的坑。

八、引申：DeepAgents 在 LangGraph 之上做了什么加固

LangGraph 给的是通用底座，但直接拿去跑长任务（比如让 Agent 写一整个项目）会遇到两个现实问题。DeepAgents 作为生产级框架，针对性地做了加固：

[图 6：两种记忆 + DeepAgents 的生产级加固] （看下半部分：DeltaChannel + Summarization）

「加固一：DeltaChannel——给快照"瘦身"。」 前面说快照链体积大，到底有多大？如果每张快照都把全量 messages 拷一遍，存储量会随对话轮数按 「O(N²)」 膨胀（第 N 轮要存前 N 条 × N 张快照）。DeepAgents 用一个叫 DeltaChannel 的机制：平时只存"这一步新增了什么（delta）"，每隔 50 步才拍一张全量快照，把增长压回 「O(N)」。对长任务来说，这是从"撑不住"到"扛得住"的区别。

「加固二：SummarizationMiddleware——上下文压缩 + 落盘。」 对话太长撑爆窗口时，它会：

1. 把要丢弃的旧历史**「先归档」**到一个 Markdown 文件（按 thread 一个文件，路径形如 /conversation_history/{thread_id}.md）；
2. 用一段 LLM 摘要替换掉模型输入里的旧消息；
3. 在 State 的 _summarization_event 字段里记下"在哪儿切的、归档到哪了"。

妙处在于：压缩是**「非破坏式」的——原始历史落了盘，Agent 随时能 read_file 翻回来；摘要、切点都跟着 Checkpoint 一起持久化，所以「恢复对话时连"压缩状态"也能一并恢复」**。（这部分我之前单独写过一篇深读，感兴趣的可以翻文末延伸阅读。）

一句话总结这一节：「LangGraph 负责"能记、能恢复"，DeepAgents 负责"长期跑也不崩、不丢"。」

结语：把会话管理"藏"进通用抽象

回头看，LangGraph 处理会话管理的思路很有辨识度：「它不把"对话记忆"当成一个特殊模块，而是当成"状态图 + 检查点"这套通用机制的一个自然结果。」

• 一次对话 = 一个 thread；
• 记忆 = 每一步的 Checkpoint 快照；
• 续聊 = 同一个 thread_id；
• 后悔药 = 沿快照链时间旅行 / 分叉；
• 长期记忆 = 另一套 Store，跟会话分开。

这套设计的好处是**「统一而强大」**——你为"让 Agent 跑复杂流程"配的检查点机制，顺手就把会话管理给解决了，还白送了时间旅行。代价是抽象层级偏高、快照体积偏大，需要 DeepAgents 这类上层框架再做一层调教，才能稳稳地扛住真实的长任务。

下次你用 LangGraph 搭 Agent，发现"它怎么不记事"时，先别慌——大概率只是忘了给它配一个 checkpointer 而已。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】