1. 创建MemorySaver检查指针
创建MemorySaver检查指针：
from langgraph.checkpoint.memory import MemorySaver
memory = MemorySaver()
这是位于内存中的检查指针，仅适用于QuickStart教程。在实际生产应用程序中，建议将其更改为SqliteSaver或PostgresSaver并连接数据库。
2. 构建并编译Graph
Graph的构建如下：
from typing import Annotated
from langchain.chat_models import init_chat_model
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START
from langgraph.graph.message import add_messages
class State(TypedDict):
messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)
llm = init_chat_model("deepseek:deepseek-chat")
def chatbot(state: State):
return {"messages": [llm.invoke(state["messages"])]}
# The first argument is the unique node name
# The second argument is the function or object that will be called whenever
# the node is used.
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
使用提供的检查指针编译Graph，它将在图遍历每个节点时检查State：
graph = graph_builder.compile(checkpointer=memory)
3. 与聊天机器人互动
选择一个线程作为这个对话的标签：
config = { "configurable": { "thread_id": "1" } }
与聊天机器人聊天：
user_input = "Hi there! My name is Will."
events = graph.stream(
{ "messages": [ { "role": "user", "content": user_input } ] },
config,
stream_mode="values"
)
for event in events:
event["messages"][-1].pretty_print()
运行结果为：
4. 问一个后续问题
问一个后续问题：
user_input = "What is My Name?"
events = graph.stream(
{ "messages": [ { "role": "user", "content": user_input } ] },
config,
stream_mode="values"
)
for event in events:
event["messages"][-1].pretty_print()
运行结果为：
注意，上面的代码没有使用外部列表来存储内存。下面尝试使用不同的配置：
events = graph.stream(
{ "messages": [ { "role": "user", "content": user_input } ] },
{ "configurable": { "thread_id": "2" } },
stream_mode="values"
)
for event in events:
event["messages"][-1].pretty_print()
运行结果为：
注意，上面的代码仅更改了配置中的thread_id。
5. 检查State
到目前为止，我们已经跨两个不同的线程设置了几个检查点。但是什么会进入检查点呢？要在任何时候检查给定配置的图State，调用get_state(config)：
snapshot = graph.get_state(config)
snapshot
输出如下：
参考
https://langchain-ai.github.io/langgraph/tutorials/get-started/3-add-memory/