LangGraph 推出长期记忆支持以增强人工智能交互

LangChain 推出了对其 LangGraph 框架的突破性更新，引入了长期记忆支持，该功能旨在通过允许人工智能代理在多次交互中存储和调用信息来显着增强人工智能代理的能力。这一发展标志着人工智能领域向前迈出了重要一步，因为它解决了人工智能应用程序长期存在的局限性，而传统上这些应用程序一直在对话之间的上下文保留方面遇到困难。

增强AI记忆能力

据LangChain介绍，长期记忆支持现已支持Python和JavaScript，为开发者提供了构建更具适应性和智能的AI系统所需的工具。该功能是开源库的一部分，默认情况下为 LangGraph Cloud 和 Studio 的所有用户启用。这一进步使人工智能代理能够从用户反馈中学习并适应个人偏好，从而提供更加个性化的用户体验。

了解人工智能内存挑战

在当前的情况下，大多数人工智能应用程序都像“金鱼”一样运行，忘记对话之间的一切。 LangChain过去一年与客户的经验凸显了对既可靠又适应性强的存储系统的需求。该公司承认，人工智能内存没有一刀切的解决方案，因为不同的应用需要独特的内存逻辑。这种见解导致了 LangGraph 中简单而有效的文档存储的开发，它作为构建高级内存抽象的基础。

跨线程内存简介

LangGraph 传统上擅长通过其“短期记忆”功能来管理单个会话线程内的状态。新的更新跨多个线程扩展了此功能，使代理能够无缝记住各种交互中的信息。其核心是，跨线程内存充当持久文档存储，允许用户存储、检索和搜索已保存的内存。

跨线程内存功能支持：

• 跨线程持久化：确保在不同的对话会话中保留信息。
• 灵活的命名空间：使用针对不同用户或上下文的自定义命名空间来组织数据。
• JSON文档存储：有利于轻松操作和检索存储的记忆。
• 基于内容的过滤：允许根据内容搜索内存。

实际实施

为了帮助开发者利用新的内存功能，LangChain提供了一套全面的指南和资源。其中包括概念视频和有关在 LangGraph 中为 Python 和 JavaScript 实现内存的详细指南。此外，还提供了一个新的 LangGraph 模板，展示了一个有效管理其自身内存的聊天机器人代理，展示了这些概念的实际应用。

浪链鼓励开发者探索这些资源，并尝试将长期记忆集成到他们的项目中，有望开启更加智能和情境感知的人工智能应用的新时代。

图片来源：Shutterstock