LangChain 短期记忆：基于 PostgreSQL 的持久化实现详解

原创 于 2026-09-20 15:19:28 发布 · 76 阅读 · 1 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
收录于
AI学习

当前文章被收录于：

AI学习
27 篇文章 0 人学习
订阅专栏 查看详情

1. 引言

在 LangChain 的众多记忆机制中，短期记忆（Short-term Memory） 是最基础、也最常用的一类。它的核心特征是：基于内存（In-Memory）保存当前会话的上下文，随着对话推进不断更新，会话结束或程序重启后即丢失。

然而在实际生产环境中，我们往往需要让短期记忆跨进程、跨重启依然可用。这时，PostgreSQL 就是一个非常理想的持久化后端。本文将深入讲解如何用 PostgreSQL 实现 LangChain 短期记忆的持久化，涵盖核心机制、代码示例与多实例隔离等内容。

2. 为什么选择 PostgreSQL 作为记忆后端

很多初学者会困惑：短期记忆不是「基于内存」的吗？为什么还要用数据库？这里需要澄清一个概念：

  • 纯内存持久化：数据保存在进程的内存（RAM）中，只要程序进程存活，数据就一直存在；但进程重启后数据即丢失。
  • 数据库持久化：数据写入 PostgreSQL 等外部存储，程序重启后依然存在，可跨会话、跨实例共享。

LangChain 的短期记忆默认是前者，但通过 PostgresChatMessageHistory，我们可以把对话历史持久化到 PostgreSQL，从而获得「数据库级」的持久化能力。

# 数据库持久化的本质：消息写入 PostgreSQL，进程重启后依然可读
from langchain_community.chat_message_histories import PostgresChatMessageHistory

history = PostgresChatMessageHistory(
    connection_string="postgresql://user:password@localhost:5432/mydb",
    session_id="user_123",
)
history.add_user_message("你好")
history.add_ai_message("你好！有什么可以帮你？")

只要 PostgreSQL 服务在运行，即使应用进程重启，重新连接后仍能读到这条消息——这就是「基于 PostgreSQL 的持久化」。

3. 环境准备与依赖安装

在开始之前，需要安装必要的依赖包：

pip install langchain langchain-community langchain-openai psycopg2-binary

其中：

  • langchain：核心框架；
  • langchain-community：提供 PostgresChatMessageHistory 等社区集成；
  • langchain-openai：OpenAI 模型接口（示例中使用）；
  • psycopg2-binary：PostgreSQL 的 Python 驱动。

同时，确保本地已启动 PostgreSQL 服务，并创建好数据库：

-- 创建数据库（如尚未创建）
CREATE DATABASE langchain_memory;

4. 核心组件：PostgresChatMessageHistory

PostgresChatMessageHistory 是 LangChain 提供的、基于 PostgreSQL 的消息历史存储类。它实现了与 ChatMessageHistory 相同的接口，但底层数据存储在 PostgreSQL 表中。

4.1 基本用法

from langchain_community.chat_message_histories import PostgresChatMessageHistory

# 连接 PostgreSQL，指定会话 ID
history = PostgresChatMessageHistory(
    connection_string="postgresql://user:password@localhost:5432/langchain_memory",
    session_id="user_123",
)

# 添加消息
history.add_user_message("我叫小明")
history.add_ai_message("你好，小明！")

# 读取全部消息
messages = history.messages
for msg in messages:
    print(f"{msg.type}: {msg.content}")

4.2 底层表结构

PostgresChatMessageHistory 会自动创建一张消息表（默认表名为 message_store），其核心字段包括：

字段类型说明
idUUID主键，消息唯一标识
session_idTEXT会话标识，用于区分不同用户/会话
messageJSONB消息内容（含 type、content 等）
-- 查看表结构
SELECT * FROM message_store WHERE session_id = 'user_123';

5. 与 ConversationBufferMemory 结合使用

PostgresChatMessageHistory 可以无缝嵌入 ConversationBufferMemory，让短期记忆获得数据库持久化能力：

from langchain.memory import ConversationBufferMemory
from langchain_community.chat_message_histories import PostgresChatMessageHistory
from langchain.chains import ConversationChain
from langchain_openai import ChatOpenAI

# 基于 PostgreSQL 的消息历史
history = PostgresChatMessageHistory(
    connection_string="postgresql://user:password@localhost:5432/langchain_memory",
    session_id="user_123",
)

# 将 PostgreSQL 历史注入内存记忆
memory = ConversationBufferMemory(chat_memory=history)

conversation = ConversationChain(
    llm=ChatOpenAI(model="gpt-4o-mini", temperature=0),
    memory=memory,
    verbose=True,
)

# 多次调用，历史消息持久化到 PostgreSQL
conversation.predict(input="你好，我叫小明。")
conversation.predict(input="我叫什么名字？")  # 模型能答出「小明」

5.1 数据如何注入 Prompt

每次调用时，ConversationChain 会执行以下步骤：

  1. 从 memory 中读取历史消息（此时数据来自 PostgreSQL）；
  2. 将历史消息格式化为字符串，拼接到 Prompt 的 history 变量中；
  3. 连同当前用户输入一起发送给 LLM；
  4. 拿到回复后，把「用户输入 + 模型回复」写回 PostgreSQL。
# 查看 memory 中保存的内容（来自 PostgreSQL）
print(memory.load_memory_variables({}))
# {'history': 'Human: 你好，我叫小明。\nAI: 你好，小明！'}

6. 进程重启后的数据恢复

基于 PostgreSQL 的持久化，最大的优势在于进程重启后记忆依然存在：

from langchain_community.chat_message_histories import PostgresChatMessageHistory

# 模拟程序重启：重新创建连接
def create_session(session_id: str):
    return PostgresChatMessageHistory(
        connection_string="postgresql://user:password@localhost:5432/langchain_memory",
        session_id=session_id,
    )

# 第一次运行：写入消息
history_a = create_session("user_123")
history_a.add_user_message("我叫小明")
history_a.add_ai_message("你好，小明！")

# 模拟程序重启：重新连接
history_b = create_session("user_123")
# 历史消息依然存在！
print(history_b.messages)
# [HumanMessage(content='我叫小明'), AIMessage(content='你好，小明！')]

这就是「数据库持久化」与「纯内存持久化」的本质区别：数据不依赖进程存活，而是存储在独立的数据库服务中。

7. 多用户场景下的会话隔离

在生产环境中，应用通常需要同时服务多个用户。使用 PostgreSQL 后，只需通过 session_id 即可天然实现会话隔离：

from langchain_community.chat_message_histories import PostgresChatMessageHistory

# 用户 A 的会话
history_a = PostgresChatMessageHistory(
    connection_string="postgresql://user:password@localhost:5432/langchain_memory",
    session_id="user_a",
)
history_a.add_user_message("我叫小明")

# 用户 B 的会话（独立记忆，互不影响）
history_b = PostgresChatMessageHistory(
    connection_string="postgresql://user:password@localhost:5432/langchain_memory",
    session_id="user_b",
)
history_b.add_user_message("我叫小红")

# 各自读取，互不干扰
print(history_a.messages)  # 只有 user_a 的消息
print(history_b.messages)  # 只有 user_b 的消息

7.1 与内存方案对比

维度纯内存方案PostgreSQL 方案
数据存储位置进程内存（RAM）PostgreSQL 数据库
进程重启数据丢失数据保留
多实例共享不支持支持（多进程可共享）
会话隔离需手动维护字典通过 session_id 天然隔离
部署复杂度低中（需维护数据库）

8. 结合滑动窗口与摘要压缩

PostgreSQL 持久化同样可以与其他记忆策略结合，实现更精细的控制：

8.1 滑动窗口 + PostgreSQL

from langchain.memory import ConversationBufferWindowMemory
from langchain_community.chat_message_histories import PostgresChatMessageHistory

# 只保留最近 2 轮对话，但历史仍持久化在 PostgreSQL
history = PostgresChatMessageHistory(
    connection_string="postgresql://user:password@localhost:5432/langchain_memory",
    session_id="user_123",
)

memory = ConversationBufferWindowMemory(
    chat_memory=history,
    k=2,  # 只保留最近 2 轮
)

8.2 摘要压缩 + PostgreSQL

from langchain.memory import ConversationSummaryMemory
from langchain_community.chat_message_histories import PostgresChatMessageHistory
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

history = PostgresChatMessageHistory(
    connection_string="postgresql://user:password@localhost:5432/langchain_memory",
    session_id="user_123",
)

memory = ConversationSummaryMemory(
    llm=llm,
    chat_memory=history,
)

9. 生产环境注意事项

9.1 连接池管理

在生产环境中，建议使用连接池避免频繁创建数据库连接：

from sqlalchemy import create_engine
from langchain_community.chat_message_histories import PostgresChatMessageHistory

# 使用 SQLAlchemy 连接池
engine = create_engine(
    "postgresql://user:password@localhost:5432/langchain_memory",
    pool_size=10,
    max_overflow=20,
)

# 通过 connection_string 传入 engine 的 URL
history = PostgresChatMessageHistory(
    connection_string="postgresql://user:password@localhost:5432/langchain_memory",
    session_id="user_123",
)

9.2 数据清理策略

长期运行后，message_store 表会不断增长。建议定期清理过期会话：

-- 删除 30 天前的会话消息
DELETE FROM message_store
WHERE session_id IN (
    SELECT session_id
    FROM message_store
    GROUP BY session_id
    HAVING MAX(created_at) < NOW() - INTERVAL '30 days'
);

9.3 安全建议

  • 使用环境变量管理数据库连接串，避免硬编码；
  • 最小权限原则：为应用创建专用数据库账号，仅授予必要的读写权限；
  • 启用 SSL：生产环境建议启用 PostgreSQL 的 SSL 加密连接。

10. 总结

LangChain 短期记忆的「基于 PostgreSQL 的持久化」，本质上是把对话历史从进程内存迁移到 PostgreSQL 数据库，通过 session_id 实现会话隔离，让记忆在进程重启后依然可用。

核心要点回顾：

  • 数据库持久化 ≠ 内存持久化：数据存储在 PostgreSQL 中，重启不丢失；
  • PostgresChatMessageHistory 是关键：它实现了与内存版相同的接口，可无缝替换；
  • session_id 实现隔离：天然支持多用户、多会话场景；
  • 可组合使用：滑动窗口、摘要压缩等策略均可与 PostgreSQL 结合；
  • 生产需注意：连接池、数据清理、安全配置缺一不可。

理解 PostgreSQL 持久化的机制，是掌握 LangChain 记忆体系从原型走向生产的关键一步。在此基础上，你才能更合理地判断：什么时候用纯内存就够了，什么时候必须引入数据库持久化。

标签
#python
LangChain记忆模块解析：从对话历史到智能体持久化记忆的实现
weixin_33970449的博客
08-11 473
在大模型应用开发中，记忆机制是实现连贯、个性化交互的核心技术。其原理在于通过外部存储与管理历史信息，解决模型本身缺乏持久记忆的问题，从而提升对话的上下文感知能力。这一技术价值在于将大模型从单次问答工具升级为可持续学习的智能体，广泛应用于智能客服、个人助理和复杂Agent系统等场景。通过LangChain框架的记忆模块，开发者可以灵活运用Redis等后端存储与多种记忆策略，实现高效的信息持久化与检索。本文聚焦于对话历史管理、记忆抽象接口与加工策略，深入探讨了如何构建具备长期记忆能力的AI应用。
LangChain Agent持久化记忆实战：SQLite/PostgreSQL+LangGraph检查点方案
weixin_33700350的博客
06-19 429
AI Agent的持久化记忆本质是解决状态管理与数据一致性问题，而非简单缓存对话。其核心原理在于将短期会话上下文、中期业务会话历史（user_id+session_id维度）和长期用户画像分层存储，并通过LangGraph检查点机制保障流程状态可恢复。技术价值体现在支撑跨轮次任务续办、人工审核回滚、多角色协同等真实业务场景，显著提升用户连续性体验与系统可靠性。本文聚焦LangChain生态下可落地的记忆架构设计，涵盖SQLite轻量验证与PostgreSQL高并发生产部署，深度整合get_session_h
langchain_agent短期记忆和长期记忆
weixin_50379372的博客
08-04 142
LangChain1.x的短期记忆系统由三部分组成：State（会话状态）、Checkpointer（持久化机制）和Thread ID（会话标识）。State默认存储历史消息，Checkpointer以快照形式保存State，Thread ID则用于区分不同会话。这种机制类似RPG游戏的自动存档功能，无需手动保存即可恢复对话状态。代码示例展示了基于内存（InMemorySaver）和PostgreSQL的两种实现方式，通过thread_id管理会话记忆。不同thread_id的会话互不共享记忆，而同一thr
LangChain自定义三层记忆架构实战：短期/长期/事件记忆落地指南
weixin_28224217的博客
06-25 251
在大语言模型应用中，‘记忆’并非简单缓存对话历史，而是支撑多轮交互的核心状态管理能力。其本质是围绕用户个体事实构建的、具备时效性、可检索性与安全可控性的结构化知识系统。基于LangChain底层抽象（BaseMemory、BaseChatMessageHistory），通过分层设计——Redis驱动的短期记忆保障上下文连贯性，ChromaDB支持元数据过滤的长期记忆实现用户画像精准召回，PostgreSQL时序事件记忆还原操作意图——可有效解决默认组件内存泄漏、摘要失真、检索不准等工程痛点。本文聚焦生产级记
大模型开发手记（六）：LangChain Agent 记忆系统：短期记忆和长期记忆
勇往直前的博客
03-18 1236
这一篇博客主要总结agent的短期记忆这块内容，什么是记忆，我们可以狭义的理解为human、ai、tool等agent的对话上下文的存储、管理和获取。大模型本身是无状态的，每一次调用都是独立的，无法记住上一轮对话的内容，此时就需要记忆系统，把我们与大模型之前的聊天记录存储起来，等下轮对话的时候再通过记忆系统给他，这就是记忆系统的作用。
LangChain 短期记忆与长期记忆详解
jjb1314的博客
08-27 512
LangChain 短期记忆与长期记忆详解
langchain持久化机制之短期记忆
weixin_42219542的博客
07-20 194
默认情况下，智能体使用 AgentState 管理短期记忆，会话历史统一存放在 messages 字段中。你可以扩展 AgentState 来新增自定义字段。自定义状态结构通过 state_schema 参数传递给 create_agent。},如上所示，修剪或删除消息的问题在于，你可能会因削减消息队列而丢失信息。因此，某些应用会受益于一种更复杂的方法，即使用聊天模型对消息历史进行摘要。"""重写 before_model 方法来添加日志"""
【由浅入深探究langchain】第十三集-PostgresSaver实现短期记忆持久化
歪西的博客
03-26 574
本文介绍了如何使用PostgresSaver实现AI对话Agent的持久化记忆存储。
LangChain 实战：玩转短期记忆
最新发布
全网同名，欢迎关注。
09-16 216
在 AI Agent 的世界里，**记忆（Memory）**是一套用于留存历史交互信息的机制。对于 Agent 而言，记忆至关重要：它使 Agent 能够记住过往对话、从反馈中学习、适配用户偏好短期记忆：让应用在单条会话线程内记住历史交互。这里有个关键概念——线程（thread）：把一次会话里的多轮交互组织在一起，类似邮件把往来消息归集到同一个对话下。对话历史是短期记忆最常见的实现形式。默认情况下，agent 使用 AgentState 来管理短期内存可以扩展 AgentState 以添加额外的字段。
LangGraph State记忆机制深度解析：短期与长期记忆的实现原理与实战
无论云泥意贯一
06-08 460
LangGraph State记忆机制深度解析：短期与长期记忆的实现原理与实战 文章摘要 本文深入解析LangGraph框架的双层记忆机制，揭示AI智能体如何通过短期记忆(Checkpointer)和长期记忆(Store)实现真正有状态的对话系统。短期记忆基于thread_id隔离会话状态，自动保存执行快照；长期记忆则通过显式API调用实现跨会话知识积累。文章详细对比两种记忆特性，提供代码实现示例，并分析不同存储后端的适用场景。通过命名空间组织、向量检索等机制，LangGraph为构建具备持续学习能力的智能
深入浅出 LangChain —— 第六章：记忆与状态管理
FrontAI的博客
04-19 757
深入讲解 LangChain.js 的记忆系统，包括短期记忆（对话历史管理）、长期记忆（跨会话持久化）、自定义状态 Schema 的设计，以及常见记忆模式与踩坑指南。
LangChain + Python 实现AI角色记忆与上下文管理：从短期缓存到长期记忆
mhsyx的博客
08-08 163
本文探讨了如何利用LangChain和Python为AI角色构建记忆系统，重点解决大语言模型的无状态问题。文章分为短期记忆和长期记忆两个维度： 短期记忆：维护会话内上下文 基础方案：使用ConversationBufferMemory存储完整对话历史 优化方案：窗口裁剪（保留最近N轮）和消息摘要（压缩早期对话） 状态持久化：通过Checkpointer保存会话状态（如thread_id） 长期记忆：实现跨会话持久化 使用LangGraph的Store接口存储用户画像、偏好等数据 与短期记忆Checkpoin
LangChain记忆系统实战：从短期对话到长期知识库的AI应用架构
weixin_33672109的博客
07-16 436
在AI应用开发中，状态管理与上下文持久化是构建智能对话系统的核心技术基础。其核心原理是通过有策略地筛选、存储和检索历史交互信息，解决大模型本身无状态的问题，实现连续、个性化的对话体验。这项技术的工程价值在于平衡资源消耗与用户体验，通过短期记忆保证对话流畅性，长期记忆提供深度背景支持。在实际应用场景中，开发者需要根据会话长度、信息重要性等因素，选择不同的记忆策略，如对话缓冲区、摘要压缩或向量检索。本文聚焦于LangChain框架下的记忆系统实现，详细解析了如何通过ConversationBufferMemor
AI智能体记忆架构实战：从短期对话到长期知识库的完整实现
weixin_30527423的博客
07-03 488
在实际构建和部署 AI 智能体时，一个核心挑战是如何让智能体“记住”过去。无论是简单的聊天机器人需要记住对话上下文，还是复杂的决策系统需要基于历史经验优化策略，都离不开一个设计良好的记忆系统。很多开发者初次接触智能体框架时，会误以为大语言模型（LLM）本身就能记住一切，但事实是，LLM 本质上是无状态的，每次调用都是独立的。要让智能体具备记忆能力，必须在其架构之外，显式地设计、实现并集成一个专门的内存模块。这个模块负责信息的存储、组织、检索和更新，其设计直接决定了智能体的连贯性、个性化和长期学习能力。 本文
LangChain - 短期记忆(Short-term Memory)
邱邱的博客
06-30 335
默认智能体用 AgentState 管理短期记忆（通过 messages 键存对话历史）。"gpt-5.4",state_schema=CustomAgentState, # 传入自定义状态# 调用时可以传入自定义状态字段},这样除了对话历史，还能在这个线程里记住 user_id、preferences 等额外信息。截断/删除的问题：会丢失信息。更聪明的方法是用模型把早期消息总结成摘要，再用摘要替换它们。tools=[],model="gpt-5.4-mini", # 用小模型做总结，省钱。
2.langchain上下文与记忆之短期记忆
千里之行，始于足下
09-04 198
官方原话：Trim / Remove 的问题在于剔除消息时可能丢失信息，因此一些应用受益于用 chat model 对历史做摘要。Agent 中直接使用内置model="gpt-5.4-mini", # 用便宜的小模型做摘要trigger=("tokens", 4000), # token 达到 4000 触发keep=("messages", 20), # 摘要后保留最近 20 条],← 多轮 + 摘要后依然记得摘要中间件可以指定一个更小更便宜的模型（如上例的），与主力模型解耦。
LangChain生产级记忆模块：持久化、低延迟、可演进的AI Agent记忆架构
weixin_33898876的博客
06-22 410
AI Agent的记忆能力并非辅助功能，而是决定工程落地成败的核心基础设施。从基础概念看，Agent记忆本质是外部认知系统，需在语义理解与结构化存储之间取得平衡；其技术原理涉及分层架构（向量库+关系型数据库+缓存）、双写一致性、智能压缩与动态生命周期管理；关键价值在于解决状态断裂、Prompt爆炸、跨会话上下文丢失等高频痛点；典型应用场景覆盖企业服务助手、微信AI智能体、报销审批Agent等需长期交互与事实追溯的业务系统；本文聚焦LangChain v0.1.16+生态下可直接投产的记忆模块设计，深度融合R
LangChain4j聊天记忆持久化方案大PK：MongoDB、Redis、PostgreSQL到底怎么选？
weixin_30908941的博客
04-18 222
本文深入对比了LangChain4j聊天记忆持久化的主流方案，包括MongoDB、Redis和PostgreSQL等，从读写性能、数据一致性、扩展成本等维度进行技术解剖，并提供场景化建议和性能优化技巧，帮助开发者选择最适合的AI聊天记忆存储方案。
LangChain实现大模型长期会话记忆的技术解析
weixin_33858336的博客
07-26 417
在AI应用开发中，检索增强生成(RAG)和Agent智能体是构建智能系统的关键技术。长期会话记忆作为核心能力，直接影响多轮对话的连贯性和用户体验。通过LangChain框架的BaseChatMessageHistory组件，开发者可以实现对话历史的持久化存储，支持Redis、PostgreSQL等多种数据库后端。该技术采用存储与逻辑分离的设计理念，结合@property装饰器等Python特性，既保证了接口统一性，又能灵活处理敏感数据过滤等业务需求。在企业级客服系统、个性化推荐等场景中，合理的记忆压缩与摘要
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值