# 这门 LangGraph 课讲清了 Agent 为何记不住纠正

> Harrison Chase 用 84 分钟把记忆分成语义、情景和程序三类，告诉 FDE 重复错误该在哪里修。

原文: https://fdetimes.net/zh/books-courses/long-term-agentic-memory-langgraph-course/

LangChain 联合创始人兼 CEO Harrison Chase 用 1 小时 24 分钟，带学员做一个很普通的练习：先搭一个邮件助手，再逐一给它加上三类记忆。对前线部署工程师（FDE）来说，最大的价值不在这个库，而在三分法本身。Agent 重复犯错时，它能帮你看清该在哪里修。

[Long-Term Agentic Memory with LangGraph](https://www.deeplearning.ai/courses/long-term-agentic-memory-with-langgraph) 是 DeepLearning.AI 上的一门中级短课，与 LangChain 合作制作。

设想部署的第三周：客户第三次纠正 Agent 的同一个错误，问它为什么记不住。这门课能帮你准确说出问题所在，还给出现成的实现模式来回应，而不是在提示词里再打一行补丁。

## 一个邮件助手，三次升级

贯穿课程的项目是一个邮件助手。课程按顺序展开：先做基线，再加语义记忆，然后是情景记忆，最后是程序性记忆。

每一课都建立在上一课之上，所以你能看到每类记忆挂在同一个 Agent 的哪个位置，而不是孤立地学三个概念。入门门槛也不高：熟悉 Python，对提示词和 LLM 应用开发有基本了解即可。

## 反复出现的错误：Agent 缺的是哪类记忆？

课程不教错误诊断，但它的三分法非常适合拿来诊断。[LangMem 概念指南](https://langchain-ai.github.io/langmem/concepts/conceptual_guide/)里的定义足以作为起点。

语义记忆存储支撑 Agent 回答的事实，课程举的例子是日程 Agent 要记住的重要生日。情景记忆把成功的交互保留下来，作为后续交互的示例。程序性记忆规定 Agent 应当如何行事和回应。

有这三条定义，就能把一句笼统的抱怨拆成三种不同的修法。举一个假设的例子，某物流公司的客服邮箱：

| 类型 | 客户的抱怨 | 应当存什么 |
|---|---|---|
| 语义 | “它给这个客户报的处理时效承诺还是错的” | 每个客户的合同时效承诺 |
| 情景 | “上次这类邮件它处理得对，这次怎么分错了？” | 那封邮件及其正确分类 |
| 程序性 | “我们早就告诉过它，退款必须转给审批人” | 写进 Agent 指令里的审批人转交规则 |

**要点:** Agent 又犯了老错误？动手修之前，先问它缺的是哪类记忆。

所以在客户现场，第一件事不是挑存储工具。先收集用户纠正 Agent 的记录，按上表逐条标注，再从出现最多的那一类入手。

## 少样本示例和系统提示词也是记忆

课程中，情景记忆是分类环节的少样本（few-shot）示例，程序性记忆是根据反馈不断改进的系统提示词。技术上，这两样你大多已经会了；区别在于，它们是从 Agent 的经历中逐步积累起来的。

Chase 在一篇[关于 Agent 记忆的博客文章](https://www.langchain.com/blog/memory-for-agents)中也写道，情景记忆在实践中通过少样本示例实现，有些 Agent 还会更新自己的系统提示词。

但 Agent 的行为一旦随反馈而变，就需要一把固定的尺子。假设在 100 封已标注邮件上，基线分错 15 封。调整提示词后，分错的邮件中有 6 封改对了，原本分对的却有 4 封出错。

两个方向都算上，分错的是 13 封，只减少了 2 封，而客户可能只看到新修好的 6 例。那 4 例弄坏的，没人评测的话，会以新投诉的形式回来。

在客户那里启用任何优化机制之前，先备好这套测试集，并保存提示词的每个版本，以便回滚。

## 适合谁学，按什么顺序学

这门课最适合已经做出可用 Agent、或即将把 Agent 交付客户的工程师。如果从未写过 LLM 应用，先补基础，因为课程默认你已经掌握。

合理的顺序是按课程编排逐课学习，不要直接跳到程序性记忆部分。之后读 LangMem 概念指南，对照它对每类记忆的定义，再用邮件以外的数据重做一遍练习。课程页面显示更新于 2026 年 7 月 17 日，所以要对照该库的最新文档检查自己的代码。

## 一个人的记忆，该不该扩散到整个团队？

记住这个练习的局限：它只围绕一个邮件助手。在企业里，你还得厘清记忆归谁所有、某位员工的偏好是否该扩散给同事、谁可以查看和删除。

[LangGraph 文档](https://docs.langchain.com/oss/python/concepts/memory.md)描述了一种可以拿来讨论这些问题的结构：每条记忆放在一个自定义命名空间里，类似文件夹，并有自己的键，类似文件名。

上线之前，和客户一起按员工、按团队画出命名空间，因为画图本身会逼双方回答上面这些问题。

## 写进简历的是错误数，不是课程名

把这个项目写进简历时，不要只写课程名。写清你加了哪类记忆、在多少样本上评测、错误数如何变化。

职位描述提到 Agent 时，可以问面试官他们怎么处理长期记忆。答案往往能看出他们的产品是在客户那里长期运行过，还是停留在演示阶段。

客户不会问你的 Agent 用哪个记忆库。他们只关心一件事：上周修好的错误有没有再出现。

**本周动手试试:**

- 取最近 10 次用户纠正 Agent 的记录，逐条标为语义、情景或程序性，看哪一类占多数。
- 建一套 100 条已标注的输入，在添加任何记忆之前，记录当前 Agent 版本的错误数。
- 学完课程后，把邮件数据换成公开或自制的工单流，再写一页记录，列出每加一类记忆前后的错误数。

## 信源

- [Introduction - Long-Term Agentic Memory with LangGraph (DeepLearning.AI)](https://learn.deeplearning.ai/courses/long-term-agentic-memory-with-langgraph/lesson/ovv0p/introduction)

- [Long-Term Agentic Memory with LangGraph - DeepLearning.AI short course](https://www.deeplearning.ai/short-courses/long-term-agentic-memory-with-langgraph/)

- [Long-Term Agentic Memory With LangGraph - DeepLearning.AI](https://www.deeplearning.ai/courses/long-term-agentic-memory-with-langgraph)

- [LangMem Conceptual Guide](https://langchain-ai.github.io/langmem/concepts/conceptual_guide/)

- [Memory for agents (Harrison Chase, LangChain blog)](https://www.langchain.com/blog/memory-for-agents)

- [Memory overview (LangChain docs)](https://docs.langchain.com/oss/python/concepts/memory.md)