一、前言
上一篇我们重点讲解基于LangGraph的商品定价智能体的整体搭建，技术涵盖：意图识别、工具抽取+链式调用。
今天，我们将更进一步，来认识一下智能体内部运作的灵魂之地，两个至关重要的概念：上下文状态和长、短期记忆，他们是如何让智能体拥有“记住你、理解你、随时间变化”的能力。
今天，我们将围绕以下三个核心脉络展开深度讲解：
- Why：当前智能体在处理复杂任务时遇到的核心问题。
- How：引入解决问题的两大关键技术。
- Summary：架构加载两大核心技术
二、问题
1核心问题
在现实日常对话中，通常我们会是这样提问
“帮我看看这辆车大概值多少钱”
而我们的系统需要知道关于车的以下几个状况：
哪一年的车？
行驶里程多少？
在哪个品牌？
是否有事故 / 改装？
这种情况下，我们可能需要进行多轮的一个追问，才能得到我们想知道的答案，这个时候就需要**记忆**来辅助程序，通过记忆来实现多轮次用户信息补充，收集高价值信息，比如：2021年购买新车？
1万公里”
宝马320
以此多轮获取的信息，加入提示词工程，针对当前用户的问题，给大模型提供更精准的信息，使得模型回复也更精准。
然而，这个里面还有一个问题就是，我们在拆解了问题之后，LangGraph架构中有很多节点执行，针对执行不同节点产生的结果，就需要有一个**上下文工作台**来记录， 每一个节点的状态变更，执行日志都需要通知到下一个节点来实时更新执行结果，让整个智能体链路的执行都能有迹可循。2上下文信息管理
上下文信息管理，可以简单理解为整个工作流中共享和维护的中央数据结构。LangGraph架构中的State是智能体的大脑信息存储物里单元。例如：
{ "current_sku": "奔驰C200", "city": "上海", "mileage": 34300, "pricing_mode": "market", "step": "waiting_mileage" }它会随着对话动态更新，实现：
1. 能记住上一步做了什么
2.能判断缺哪个参数
3.能决定下一步走向
这让多轮对话真正“像人一样”进行推理，在系统的交互过程中，我们也需要针对上游业务传递一些数据的时候，上下文也能进行透传。在工作流执行期间，如果我们想对某一步进行回滚、中断，也必须通过State进行操作，才能完成比如：Human-in-the-loop指令消息等一系列的工作。3记忆解决消息填充
通常情况下，我们会把记忆分为：**短期记忆、长期记忆。**但我觉得这样，我们无法分清具体的业务含义。我更喜欢把短期记忆描述为：**一个会话的多轮问答。**而长期记忆描述为：跨对话持久化有价值的信息。
在这里短期记忆，我们要注意的是提示词携带的历史消息，不能太多，容易超过大模型限制的长度，那就只能针对当前会话的历史消息做总结、压缩，用最少的字，概括当前会话的所有内容。 而长期记忆的规则，需要针对不同的业务场景做定制化的开发，但一般情况下我们基本都需要保存以下几个维度的信息，并且要实时的更新：- 用户画像
- 重复性话题
- 点赞的，点踩的
- 业务需要的知识点
短期记忆：当前任务服务
短期记忆解决的是：“我现在在干什么？”
它通常包含：
当前关注的商品（current item）
尚未补齐的参数
正在执行到哪一步
用户刚刚的意图修正
其特点为：
1.单次会话
2.存储位置
3.强依赖执行流程
长期记忆：未来决策服务
长期记忆解决的是：“我以前了解过用户的画像有那些维度的？”
在商品定价场景中，长期记忆极其关键。那些需要存呢？
1.用户维度
常查品类
偏好定价方式
历史成交价
2.商品维度
历史估值
行情变化趋势
价格波动区间
3.企业规则
城市折价系数
新能源特殊规则
库存清仓策略
长期记忆一定是存储“高价值信息”的，需要把信息进行结构化存储到数据库中，以便未来我们在进行跨对话沟通时，即时检索用户画像信息，补充到提示词工程，让模型的回答更贴合生活。
4LangGraph架构加装两大核心
当我们的智能体加入上下文和记忆后，我们的智能体不会出现下面的问题：
用户提问：
“那台奔驰C，跑了三万多”
模型反问：
“请问是哪台奔驰？
01LangGraph的上下文状态
前面我们已经描述了,关于状态的使用，在LangGraph中,上下文状态是通过StateGraph类来实现的。
**1.定义状态：**你需要定义一个Python TypedDict或 Pydantic模型来表示你的状态,指定状态中包含哪些键及其对应的值类型。
class AgentState(TypedDict): # 用户的原始输入 user_query: str # LLM的推理结果或中间思想 llm_output: str # 工具调用请求（如：函数名称和参数） tool_calls: list[ToolCall] # 工具执行后的结果 tool_results: dict # 流程是否应该结束的标志 should_end: bool**2.合并函数：**LangGraph提供了多种内置的合并策略(如追加列表、覆盖字典)或允许你自定义合并函数，以控制新旧数据如何整合。
02LangGraph的记忆
针对短期记忆，是依赖于State来实现的
class AgentState(TypedDict): #历史消息 history_context: List[dict]针对历史消息，我们存储的是消息对，就是一问一答的历史消息，在真实的场景中一般都是5-10轮效果最好，这个需要注意的点。
针对长期记忆，需要连接到外部数据库（如向量数据库）。它负责将外部持久化知识检索出来，拼接到会话的提示词工程中，这里需要注意，针对长期记忆，需要进行即时更新，避免数据是旧的，这里需要添加元数据作为区分。比如：时间、版本之类的。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
