langmem

环境要求

• Python 环境（README 未明确版本要求）
• pip 包管理工具
• 可用的 LLM 提供商 API Key（如 ANTHROPIC_API_KEY）
• 可选：需要持久化记忆时，准备向量库/数据库或使用 LangGraph 的 Long-term Memory Store

安装与启动步骤

1. 1安装 langmem

   使用 pip 安装或升级 langmem，建议放在虚拟环境中，避免污染系统 Python。

   pip install -U langmem

   复制

2. 2配置 LLM 密钥

   README 以 Anthropic 为例，也可换成其他受支持的 LLM 提供商的密钥环境变量。

   export ANTHROPIC_API_KEY="sk-xxxxxxxx"

   复制

3. 3初始化记忆存储

   内存存储适合本地试跑；index 中的 embed 模型与 dims 维数需要相互匹配，否则检索会失败。

   python -c "from langgraph.store.memory import InMemoryStore; store = InMemoryStore(index={'dims': 1536, 'embed': 'openai:text-embedding-3-small'}); print(store)"

   复制

4. 4导入智能体组件

   README 示例用 create_react_agent 搭配记忆管理/检索工具；节选中该段代码不完整，完整写法请对照官网文档。

   python -c "from langgraph.prebuilt import create_react_agent; from langmem import create_manage_memory_tool, create_search_memory_tool; print('ok')"

   复制

关键配置

如何确认成功

执行 python -c "import langmem" 无报错，且 InMemoryStore 能成功实例化，即表示安装与依赖正常。

常见问题

注意事项

• README 节选中的智能体创建代码被截断，只展示了导入部分和 InMemoryStore 初始化，请以官网 https://langchain-ai.github.io/langmem 的完整示例为准。
• InMemoryStore 是内存存储，进程退出后记忆会丢失；需要长期保留应改用数据库或向量库后端。
• index 的 dims 必须与 embed 模型输出维度一致（示例中 1536 对应 openai:text-embedding-3-small）。
• API Key 不要写入代码或提交到版本库，建议用环境变量或密钥管理服务注入。