在 LangChain / LangGraph 的三种常见 Agent 构建方式里，如何“嵌入记忆（memory）”。 1）Function Call（Tool Calling）模式的记忆接入 • 用 create_tool_calling_agent + AgentExecutor 构建支持工具调用的 Agent。 • 记忆采用 ConversationBufferMemory，关键点是： ◦ return_messages=True：记忆以“消息列表”形式保存和返回，更适配聊天式上下文。 ◦ memory_key="chat_history"：让 Agent 在提示词里能读到历史对话。 • 工具侧展示了三种来源： ◦ TavilySearchResults 做实时检索 ◦ load_tools(["llm-math"]) 做数学能力 ◦ @tool 自定义工具（示例：查询价格） • 示例调用是问“今天西安天气怎么样”。 2）ReAct 模式的记忆接入 • 用 create_react_agent 构建 ReAct（思考-行动-观察）风格 Agent。 • 同样用 ConversationBufferMemory(return_messages=True, memory_key="chat_history") 注入对话历史。 • 工具组合以检索和数学为主（TavilySearchResults + llm-math）。 • 文章强调：推荐用 PromptTemplate 方式来构建 ReAct 的模板，更方便控制格式与变量。 3）LangChain 1.0 / LangGraph 的 create_agent（checkpointer）记忆方式 • 用 langchain.agents.create_agent 创建 Agent。 • 记忆不再通过 ConversationBufferMemory，而是通过 checkpoint 机制持久化执行状态： ◦ checkpointer=InMemorySaver() ◦ 通过 {"configurable": {"thread_id": "1"}} 指定同一个线程，从而让多轮对话在同一条“会话线”上延续（达到记忆效果）。 • 调用方式改为传入 messages（role/content）结构。 核心对比（一句话） • 旧式（Function Call / ReAct）：用 ConversationBufferMemory 把历史对话塞回 prompt（或消息列表）里。 • 1.0 / LangGraph 风格：用 checkpointer + thread_id 把会话状态作为“可恢复的执行上下文”保存下来，更偏“运行时状态管理”。