文章深入探讨了上下文工程在AI发展中的重要性，指出AI工程师正从提示工程转向上下文工程，核心在于为AI提供合适的背景和工具，使其回答更智能、更有用。文中详细介绍了上下文工程的定义、不同类型（指令、知识、工具）、以及在Agent工作流中管理上下文的挑战，如上下文污染、干扰、混淆和冲突。此外，文章还重点介绍了LangChain和LangGraph工具在实现上下文工程中的应用，包括使用草稿区（Scratchpad）进行信息存储与检索，以及通过检查点（Checkpointing）和内存存储（InMemoryStore）来管理短期和长期记忆，以提升AI Agent的性能和记忆能力。通过具体的代码示例，展示了如何构建、编译和执行包含内存写入和选择功能的AI工作流。

📝 **上下文工程的核心价值**：文章强调，上下文工程是AI领域的新焦点，其目标是为AI提供更丰富的背景信息和合适的工具，从而使其能够生成更智能、更有用的响应。这标志着AI能力从单纯的指令遵循向更深层次的理解和情境化输出的转变。

🧠 **理解AI的上下文管理**：文中将大型语言模型（LLM）比作操作系统，其上下文窗口如同RAM。上下文工程的核心任务便是决定哪些信息应被保留在LLM的“短期记忆”中，以避免信息过载和性能下降。文章列举了可能出现的上下文问题，包括污染、干扰、混淆和冲突。

🛠️ **LangGraph在上下文工程中的应用**：文章着重介绍了LangGraph这一强大的工具，用于构建AI Agents和LLM应用。LangGraph支持多种上下文管理策略，如写入、选择、压缩和隔离。通过具体的代码示例，展示了如何利用`StateGraph`来定义AI工作流的状态，并通过`Scratchpad`（草稿区）实现短期和长期记忆的存储与检索，以及如何使用`InMemoryStore`来管理跨会话的记忆。

💡 **实现智能AI Agent的关键策略**：文章通过示例代码演示了如何通过“内存写入”和“内存选择”来增强AI Agent的能力。例如，通过`store.put`将信息保存到内存，再通过`store.get`检索这些信息，使AI能够记住过去的交互，避免重复，并根据历史信息生成更优的响应，这对于构建具有连贯性和个性化的AI体验至关重要。

---

上下文工程指的是在给AI分配任务之前，为其创建合适的设置。该设置包括：

关于AI应如何行动的指示，例如作为一名有用的经济型旅行指南

从数据库、文档或实时来源获取有用信息的权限。

记住过往对话，以避免重复或遗忘。

AI可以使用的工具，例如计算器或搜索功能。

关于你的重要细节，例如你的偏好或位置。

上下文工程

AI工程师现在正从提示工程转向上下文工程，因为上下文工程专注于为AI提供合适的背景和工具，使其答案更智能、更有用。

在接下来的两篇博客中，我们将探讨如何利用LangChain和LangGraph这两款用于构建AI agents、RAG应用和LLM应用的强大工具，有效实施上下文工程，以改进我们的AI Agents。

目录

什么是上下文工程？

使用LangGraph的草稿区

创建StateGraph

LangGraph中的内存写入

草稿区选择方法

内存选择能力

什么是上下文工程？

大型语言模型（LLMs）的运作方式类似于一种新型操作系统。LLM 相当于中央处理器（CPU），其上下文窗口则类似于随机存取存储器（RAM），充当着它的短期记忆。但和 RAM 一样，上下文窗口容纳不同信息的空间是有限的。

就像操作系统会决定哪些内容进入 RAM 一样，“上下文工程”就是要确定 LLM 应该在其上下文中保留哪些内容。

不同类型的上下文

在构建 LLM 应用时，我们需要管理不同类型的上下文。上下文工程涵盖以下主要类型：

指令：提示词、示例、记忆和工具描述

知识：事实、存储的信息和记忆

工具：工具调用产生的反馈和结果

今年，人们对 agents 的兴趣日益浓厚，因为 LLM 在思考和使用工具方面的能力有所提升。Agents 通过将 LLM 与工具结合使用来处理长期任务，并根据工具的反馈选择下一步行动。

Agent 工作流

但长期任务以及从工具收集过多反馈会消耗大量 tokens。这可能会引发一系列问题：上下文窗口可能溢出，成本和延迟可能增加，agent 的性能也可能下降。

Drew Breunig 解释了过多的上下文会如何影响性能，包括：

上下文污染（Context Poisoning）：错误或幻觉信息被添加到上下文中

上下文干扰（Context Distraction）：过多的上下文使模型产生困惑

上下文混淆（Context Confusion）：额外的、不必要的细节影响答案

上下文冲突（Context Clash）：上下文中的部分内容存在信息冲突

Agent 中的多轮交互

Anthropic 在其研究中强调了这一点的必要性：Agents 通常会进行数百轮对话，因此谨慎管理上下文至关重要。

那么，如今人们是如何解决这个问题的呢？agent 上下文工程的常见策略可分为四大类：

写入（Write）：创建清晰且有用的上下文

选择（Select）：只挑选最相关的信息

压缩（Compress）：缩短上下文以节省空间

隔离（Isolate）：将不同类型的上下文分开

上下文工程的类别（来自LangChain文档）

LangGraph 的设计初衷就是支持所有这些策略。我们将在 LangGraph 中逐一探讨这些组件，看看它们如何帮助提升我们的 AI agents 的性能。

使用 LangGraph 的草稿区（Scratchpad）

就像人类会做笔记以记住后续任务的相关内容一样，agents 也可以通过“草稿区”来实现这一点。草稿区将信息存储在上下文窗口之外，以便 agent 在需要时随时访问。

上下文工程的第一个组件（来自LangChain文档）

一个很好的例子是 Anthropic 的多 agent 研究工具：

主导研究的 agent（LeadResearcher）会规划其方法并将其保存到内存中，因为如果上下文窗口超过 200,000 个 tokens，内容就会被截断，所以保存计划可以确保它不会丢失。

草稿区可以通过多种方式实现：

作为一种工具调用，用于写入文件。

作为运行时状态对象中的一个字段，在会话期间持续存在。

简而言之，草稿区帮助 agents 在会话期间保存重要笔记，以便有效地完成任务。

在 LangGraph 中，它支持短期（线程范围内）和长期记忆。

短期记忆使用检查点（checkpointing）来保存会话期间的 agent 状态。它的作用类似于草稿区，允许你在 agent 运行时存储信息并在之后检索。

状态对象是在图节点之间传递的主要结构。你可以定义其格式（通常是一个 Python 字典）。它就像一个共享的草稿区，每个节点都可以读取和更新特定的字段。

我们只会在需要时导入模块，这样我们就能以清晰的方式逐步学习。

为了获得更好、更清晰的输出，我们将使用 Python 的 pprint 模块进行美观打印，并使用 rich 库中的 Console 模块。让我们先导入并初始化它们：

# Import necessary librariesfrom typing import TypedDict  # For defining the state schema with type hintsfrom rich.console import Console  # For pretty-printing outputfrom rich.pretty import pprint  # For pretty-printing Python objects# Initialize a console for rich, formatted output in the notebook.console = Console()

接下来，我们将为状态对象创建一个 TypedDict。

# Define the schema for the graph's state using TypedDict.# This class acts as a data structure that will be passed between nodes in the graph.# It ensures that the state has a consistent shape and provides type hints.class State(TypedDict):    """    Defines the structure of the state for our joke generator workflow.    Attributes:        topic: The input topic for which a joke will be generated.        joke: The output field where the generated joke will be stored.    """    topic: str    joke: str

这个状态对象将存储主题以及我们要求 agent 根据给定主题生成的笑话。

创建状态图（StateGraph）

定义状态对象后，我们可以使用StateGraph向其写入上下文。

StateGraph是LangGraph中用于构建有状态agents或工作流的主要工具。可以将其视为一个有向图：

节点（Nodes）是工作流中的步骤。每个节点接收当前状态作为输入，对其进行更新，然后返回变更内容。

边（Edges）连接节点，定义执行流程——可以是线性的、有条件的，甚至是循环的。

接下来，我们将：

1.通过选择Anthropic模型来创建一个聊天模型（chat model）。

2.在LangGraph工作流中使用该模型。

# 导入用于环境管理、显示和LangGraph的必要库import getpassimport osfrom IPython.display import Image, displayfrom langchain.chat_models import init_chat_modelfrom langgraph.graph import END, START, StateGraph# --- 环境和模型设置 ---# 设置Anthropic API密钥以验证请求from dotenv import load_dotenvapi_key = os.getenv("ANTHROPIC_API_KEY")if not api_key:    raise ValueError("环境中缺少ANTHROPIC_API_KEY")# 初始化将在工作流中使用的聊天模型# 我们使用特定的Claude模型，设置temperature=0以获得确定性输出llm = init_chatmodel("anthropic:claude-sonnet-4-20250514", temperature=0)

我们已经初始化了Sonnet模型。LangChain通过API支持许多开源和闭源模型，因此你可以使用其中任何一种。

现在，我们需要创建一个使用该Sonnet模型生成响应的函数。

# --- 定义工作流节点 ---def <span class="hljs-title function">generate_joke(state: State) -> dict[str, str]:    """    一个基于当前状态中的主题生成笑话的节点函数。    该函数从状态中读取'topic'，使用LLM生成笑话，    并返回一个字典以更新状态中的'joke'字段。    参数:        state: 图的当前状态，必须包含'topic'。    返回:        一个包含'joke'键的字典，用于更新状态。    """    # 从状态中读取主题    topic = state["topic"]    print(f"正在生成关于以下主题的笑话：{topic}")    # 调用语言模型生成笑话    msg = llm.invoke(f"写一个关于{topic}的短笑话")    # 返回生成的笑话，以便写回状态    return {"joke": msg.content}

这个函数仅返回一个包含生成的响应（笑话）的字典。

现在，借助StateGraph，我们可以轻松构建并编译这个图。接下来就让我们动手操作。

# --- 构建并编译图 ---# 使用预定义的State schema初始化一个新的StateGraphworkflow = StateGraph(State)# 将'generate_joke'函数添加为图中的一个节点workflow.add_node("generate_joke", generate_joke)# 定义工作流的执行路径：# 图从START入口点开始，流向我们的'generate_joke'节点。workflow.add_edge(START, "generate_joke")# 'generate_joke'完成后，图的执行结束。workflow.add_edge("generate_joke", END)# 将工作流编译为可执行的链chain = workflow.compile()# --- 可视化图 ---# 显示已编译工作流图的可视化表示display(Image(chain.get_graph().draw_mermaid_png()))

我们生成的图

现在我们可以执行这个工作流了。

# --- 执行工作流 ---# 使用包含主题的初始状态调用已编译的图。# invoke方法从START节点运行图直至END节点。joke_generator_state = chain.invoke({"topic": "cats"})# --- 显示最终状态 ---# 打印执行后图的最终状态。# 这将同时显示输入的'topic'和已写入状态的输出'joke'。console.print("\n[bold blue]笑话生成器状态：[/bold blue]")pprint(joke_generator_state)#### 输出 ####{  'topic': 'cats',  'joke': '猫为什么加入乐队？\n\n因为它想当“喵”克风手（打击乐手）！'}

它返回的字典本质上是我们agent的笑话生成状态。这个简单的例子展示了我们如何向状态写入上下文。

你可以了解更多关于检查点（Checkpointing）的内容（用于保存和恢复图状态），以及人机协作（Human-in-the-loop）的内容（用于暂停工作流，以在继续之前获取人工输入）。

LangGraph中的内存写入

草稿区（Scratchpad）帮助agents在单个会话中工作，但有时agents需要跨多个会话记住信息。

Reflexion引入了agents在每一轮交互后进行反思并重用自我生成提示的理念。

Generative Agents通过总结过往agent的反馈来创建长期记忆。

内存写入（来自LangChain文档）

这些理念现已应用于ChatGPT、Cursor和Windsurf等产品中，它们能从用户交互中自动创建长期记忆。

检查点（Checkpointing）会在一个线程（thread）的每一步保存图的状态。一个线程有唯一ID，通常代表一次交互——比如ChatGPT中的一次单独聊天。

长期记忆允许你跨线程保留特定上下文。你可以保存单个文件（例如用户资料）或记忆集合。

它使用BaseStore接口，一种键值存储。你可以在内存中使用它（如下所示），也可以在LangGraph平台部署中使用。

现在，让我们创建一个InMemoryStore，用于本 notebook 中的多个会话。

from langgraph.store.memory import InMemoryStore# --- 初始化长期记忆存储 ---# 创建InMemoryStore实例，它提供了一个简单的、非持久化的键值存储系统，用于当前会话内。store = InMemoryStore()# --- 定义用于组织的命名空间 ---# 命名空间用于在存储中对相关数据进行逻辑分组。# 这里，我们使用元组表示分层命名空间，它可以对应用户ID和应用上下文。namespace = ("rlm", "joke_generator")# --- 向内存存储写入数据 ---# 使用put方法将键值对保存到指定命名空间中。# 此操作会持久化上一步生成的笑话，使其可在不同会话或线程中检索。store.put(    namespace,  # 要写入的命名空间    "last_joke",  # 数据条目的键    {"joke": joke_generator_state["joke"]},  # 要存储的值)

我们将在接下来的部分讨论如何从命名空间中选择上下文。目前，我们可以使用search方法查看命名空间中的项目，确认写入成功。

# 搜索命名空间以查看所有存储的项目stored_items = list(store.search(namespace))# 用rich格式化显示存储的项目console.print("\n[bold green]内存中存储的项目：[/bold green]")pprint(stored_items)

输出：

[  Item(namespace=['rlm', 'joke_generator'], key='last_joke',   value={'joke': 'Why did the cat join a band?\n\nBecause it wanted to be the purr-cussionist!'},  created_at='2025-07-24T02:12:25.936238+00:00',  updated_at='2025-07-24T02:12:25.936238+00:00', score=None)]

现在，让我们将所有操作嵌入到LangGraph工作流中。

我们将用两个参数编译工作流：

checkpointer：在一个线程的每一步保存图的状态。

store：跨不同线程保留上下文。

from langgraph.checkpoint.memory import InMemorySaverfrom langgraph.store.base import BaseStorefrom langgraph.store.memory import InMemoryStore

初始化存储组件

checkpointer = InMemorySaver() # 用于线程级状态持久化memory_store = InMemoryStore() # 用于跨线程内存存储

def generate_joke(state: State, store: BaseStore) -> dict[str, str]:"""具有内存感知的笑话生成。

这个增强版本会在生成新笑话前检查内存中是否有现有笑话。参数:    state: 包含主题的当前状态    store: 用于持久化上下文的内存存储    返回:    包含生成的笑话的字典"""# 检查内存中是否有现有笑话existing_jokes = list(store.search(namespace))if existing_jokes:    existing_joke = existing_jokes[0].value    print(f"现有笑话：{existing_joke}")else:    print("现有笑话：无现有笑话")# 根据主题生成新笑话msg = llm.invoke(f"写一个关于{state['topic']}的短笑话")# 将新笑话存储到长期记忆中store.put(namespace, "last_joke", {"joke": msg.content})# 返回要添加到状态中的笑话return {"joke": msg.content}

构建具有内存功能的工作流

workflow = StateGraph(State)

添加具有内存感知的笑话生成节点

workflow.add_node("generate_joke", generate_joke)

连接工作流组件

workflow.add_edge(START, "generate_joke")workflow.add_edge("generate_joke", END)

结合检查点和内存存储进行编译

chain = workflow.compile(checkpointer=checkpointer, store=memory_store)

很好！现在我们可以简单地执行更新后的工作流，并测试启用内存功能后的效果。

# 以基于线程的配置执行工作流config = {"configurable": {"thread_id": "1"}}joke_generator_state = chain.invoke({"topic": "cats"}, config)# 用rich格式化显示工作流结果console.print("\n[bold cyan]工作流结果（线程1）：[/bold cyan]")pprint(joke_generator_state)

输出：

现有笑话：无现有笑话工作流结果（线程1）：{  'topic': 'cats',    'joke': 'Why did the cat join a band?\n\nBecause it wanted to be the purr-cussionist!'}

由于这是线程1，我们的AI agent内存中没有现有笑话，这与新线程的预期完全一致。

因为我们用检查点编译了工作流，现在可以查看图的最新状态。

# --- 检索并检查图状态 ---# 使用get_state方法检索config中指定线程（此处为线程"1"）的最新状态快照。# 之所以能做到这一点，是因为我们用检查点编译了图。latest_state = chain.get_state(config)# --- 显示状态快照 ---# 将检索到的状态打印到控制台。StateSnapshot不仅包含数据（'topic'、'joke'），还包含执行元数据。console.print("\n[bold magenta]最新图状态（线程1）：[/bold magenta]")pprint(latest_state)

看看输出：

### 我们最新状态的输出 ###最新图状态：StateSnapshot(    values={        'topic': 'cats',        'joke': 'Why did the cat join a band?\n\nBecause it wanted to be the purr-cussionist!'    },    next=(),    config={        'configurable': {            'thread_id': '1',            'checkpoint_ns': '',            'checkpoint_id': '1f06833a-53a7-65a8-8001-548e412001c4'        }    },    metadata={'source': 'loop', 'step': 1, 'parents': {}},    created_at='2025-07-24T02:12:27.317802+00:00',    parent_config={        'configurable': {            'thread_id': '1',            'checkpoint_ns': '',            'checkpoint_id': '1f06833a-4a50-6108-8000-245cde0c2411'        }    },    tasks=(),    interrupts=())

可以看到，我们的状态现在显示了我们与agent的最后一次对话——在这个案例中，我们让它讲一个关于猫的笑话。

让我们用不同的ID重新运行工作流。

# 用不同的线程ID执行工作流config = {"configurable": {"thread_id": "2"}}joke_generator_state = chain.invoke({"topic": "cats"}, config)# 显示跨线程内存持久化的结果console.print("\n[bold yellow]工作流结果（线程2）：[/bold yellow]")pprint(joke_generatorstate)

输出：

现有笑话：{'joke': 'Why did the cat join a band?\n\nBecause it wanted to be the purr-cussionist!'}工作流结果（线程2）：{'topic': 'cats', 'joke': 'Why did the cat join a band?\n\nBecause it wanted to be the purr-cussionist!'}

我们可以看到，第一个线程中的笑话已成功保存到内存中。

你可以自行了解更多关于LangMem和Ambient Agents Course的内容。

草稿区选择方法

如何从草稿区（scratchpad）中选择上下文，取决于其实现方式：

如果它是一个工具（tool），agent可以通过工具调用（tool call）直接读取。

如果它是agent运行时状态（runtime state）的一部分，那么你（开发者）可以决定在每一步向agent共享状态的哪些部分。这让你能精确控制暴露哪些上下文。

上下文工程的第二个组件（来自LangChain文档）

在上一步中，我们学习了如何写入LangGraph状态对象。现在，我们将学习如何从状态中选择上下文，并将其传递到下游节点的LLM调用中。

这种选择性方法让你能精确控制LLM在执行过程中看到的上下文。

def <span class="hljs-title function">generate_joke(state: State) -> dict[str, str]:    """生成关于该主题的初始笑话。        参数:        state: 包含主题的当前状态            返回:        包含生成的笑话的字典    """    msg = llm.invoke(f"Write a short joke about {state['topic']}")    return {"joke": msg.content}def improve_joke(state: State) -> dict[str, str]:    """通过添加文字游戏来改进现有笑话。        这展示了从状态中选择上下文——我们从状态中读取现有笑话，    并使用它生成改进版本。        参数:        state: 包含原始笑话的当前状态            返回:        包含改进后笑话的字典    """    print(f"初始笑话：{state['joke']}")        # 从状态中选择笑话并呈现给LLM    msg = llm.invoke(f"Make this joke funnier by adding wordplay: {state['joke']}")    return {"improved_joke": msg.content}

为了让示例稍微复杂一点，我们现在给agent添加两个工作流：

1.生成笑话（Generate Joke）——与之前相同。

2.改进笑话（Improve Joke）——接收生成的笑话并将其优化。

这种设置将帮助我们理解LangGraph中的草稿区选择是如何工作的。现在，让我们用之前的方法编译这个工作流，并查看图的样子。

# 构建包含两个顺序节点的工作流workflow = StateGraph(State)# 添加两个笑话生成节点workflow.add_node("generate_joke", generate_joke)workflow.add_node("improve_joke", improve_joke)# 按顺序连接节点workflow.add_edge(START, "generate_joke")workflow.add_edge("generate_joke", "improve_joke")workflow.add_edge("improve_joke", END)# 编译工作流chain = workflow.compile()# 显示工作流可视化图display(Image(chain.get_graph().draw_mermaid_png()))

我们生成的图

当我们执行这个工作流时，会得到如下结果。

# 执行工作流，查看上下文选择的实际效果joke_generator_state = chain.invoke({"topic": "cats"})# 用rich格式化显示最终状态console.print("\n[bold blue]工作流最终状态：[/bold blue]")pprint(joke_generator_state)

输出：

初始笑话：Why did the cat join a band?Because it wanted to be the purr-cussionist!工作流最终状态：{  'topic': 'cats',  'joke': 'Why did the cat join a band?\n\nBecause it wanted to be the purr-cussionist!'}

现在我们已经执行了工作流，可以继续将其用于内存选择步骤了。

内存选择能力

如果agents能够保存记忆，它们还需要为当前任务选择相关的记忆。这在以下方面很有用：

情景记忆（Episodic memories）——展示期望行为的少样本示例。

程序记忆（Procedural memories）——指导行为的指令。

语义记忆（Semantic memories）——提供任务相关上下文的事实或关系。

有些agents使用狭窄的、预定义的文件来存储记忆：

Claude Code使用CLAUDE.md。

Cursor和Windsurf使用“规则”文件来存储指令或示例。

但当存储大量事实集合（语义记忆）时，选择会变得更困难。

ChatGPT有时会检索不相关的记忆，正如Simon Willison所展示的那样——ChatGPT错误地获取了他的位置并将其注入到图像中，使得上下文感觉“不再属于他”。

为了改进选择，会使用嵌入（embeddings）或知识图谱（knowledge graphs）进行索引。

在上一节中，我们向图节点中的InMemoryStore写入了数据。现在，我们可以使用get方法从其中选择上下文，将相关状态拉入我们的工作流中。

from langgraph.store.memory import InMemoryStore# 初始化内存存储store = InMemoryStore()# 定义用于组织记忆的命名空间namespace = ("rlm", "joke_generator")# 将生成的笑话存储到内存中store.put(    namespace,                             # 用于组织的命名空间    "last_joke",                          # 键标识符    {"joke": joke_generator_state["joke"]} # 要存储的值)# 从内存中选择（检索）笑话retrieved_joke = store.get(namespace, "last_joke").value# 显示检索到的上下文console.print("\n[bold green]从内存中检索到的上下文：[/bold green]")pprint(retrieved_joke)

输出：

从内存中检索到的上下文：{'joke': 'Why did the cat join a band?\n\nBecause it wanted to be the purr-cussionist!'}

它成功地从内存中检索到了正确的笑话。

现在，我们需要编写一个合适的generate_joke函数，该函数能够：

1.接收当前状态（用于草稿区上下文）。

2.使用内存（如果我们正在执行笑话改进任务，用于获取过去的笑话）。

接下来让我们编写代码。

# 初始化存储组件checkpointer = InMemorySaver()memorystore = InMemoryStore()def <span class="hljs-title function">generate_joke(state: State, store: BaseStore) -> dict[str, str]:    """生成具有内存感知上下文选择的笑话。        该函数展示了在生成新内容之前从内存中选择上下文，以确保一致性并避免重复。        参数:        state: 包含主题的当前状态        store: 用于持久化上下文的内存存储            返回:        包含生成的笑话的字典    """    # 如果存在，从内存中选择之前的笑话    prior_joke = store.get(namespace, "last_joke")    if prior_joke:        prior_joke_text = prior_joke.value["joke"]        print(f"之前的笑话：{prior_joke_text}")    else:        print("之前的笑话：无！")    # 生成一个与之前不同的新笑话    prompt = (        f"写一个关于{state['topic']}的短笑话，"        f"但要与你之前写过的任何笑话不同：{prior_joke_text if prior_joke else '无'}"    )    msg = llm.invoke(prompt)    # 将新笑话存储到内存中，供未来的上下文选择使用    store.put(namespace, "last_joke", {"joke": msg.content})    return {"joke": msg.content}

现在，我们可以像之前一样简单地执行这个具有内存感知的工作流。

# 构建具有内存感知的工作流workflow = StateGraph(State)workflow.add_node("generate_joke", generate_joke)# 连接工作流workflow.add_edge(START, "generate_joke")workflow.add_edge("generate_joke", END)# 结合检查点和内存存储进行编译chain = workflow.compile(checkpointer=checkpointer, store=memory_store)# 用第一个线程执行工作流config = {"configurable": {"thread_id": "1"}}joke_generator_state = chain.invoke({"topic": "cats"}, config)

输出：

之前的笑话：无！

未检测到之前的笑话。现在我们可以打印最新的状态结构。

# 获取图的最新状态latest_state = chain.get_state(config)console.print("\n[bold magenta]最新图状态：[/bold magenta]")pprint(latest_state)

我们的输出：

#### 最新状态的输出 ####StateSnapshot(    values={        'topic': 'cats',        'joke': "Here's a new one:\n\nWhy did the cat join a band?\n\nBecause it wanted to be the purr-cussionist!"    },    next=(),    config={        'configurable': {            'thread_id': '1',            'checkpoint_ns': '',            'checkpoint_id': '1f068357-cc8d-68cb-8001-31f64daf7bb6'        }    },    metadata={'source': 'loop', 'step': 1, 'parents': {}},    created_at='2025-07-24T02:25:38.457825+00:00',    parent_config={        'configurable': {            'thread_id': '1',            'checkpoint_ns': '',            'checkpoint_id': '1f068357-c459-6deb-8000-16ce383a5b6b'        }    },    tasks=(),    interrupts=())

我们从内存中获取之前的笑话，并将其传递给LLM以进行改进。

# 用第二个线程执行工作流，以展示内存持久性config = {"configurable": {"thread_id": "2"}}joke_generator_state = chain.invoke({"topic": "cats"}, config)

输出：

之前的笑话：Here is a new one:Why did the cat join a band?Because it wanted to be the purr-cussionist!

它已成功地从内存中获取了正确的笑话，并按预期对其进行了改进。

以上是第一篇博客的全部内容，下一篇博客中我们将继续讨论这一话题，欢迎持续关注我们。