LangGraph est un outil puissant pour construire des agents conversationnels intelligents, en structurant leur logique sous forme de graphes d'état. Cela permet une exécution conditionnelle, modulaire et lisible du comportement d'un agent. Cependant, pour qu'une IA puisse tenir une discussion fluide et naturelle avec un utilisateur sur plusieurs messages, il est crucial qu'elle puisse conserver en mémoire le fil de la conversation. C’est précisément ce que permet LangGraph grâce à son système avancé de checkpointing persistant.
Pourquoi la mémoire est-elle indispensable dans un agent conversationnel ?
Sans système de mémoire, chaque message envoyé à l’agent est traité indépendamment des précédents. Il devient alors impossible de mener une conversation fluide ou de faire référence à des éléments évoqués précédemment. La mémoire devient donc essentielle pour :
Maintenir le contexte d'une conversation sur plusieurs interactions
Enregistrer et réutiliser des informations importantes, comme le nom de l’utilisateur ou ses préférences
Adapter dynamiquement les réponses en fonction de ce qui a été dit précédemment
Gérer des scénarios complexes incluant des boucles, des conditions ou des interventions humaines
Grâce à l’intégration de la mémoire, un chatbot LangGraph devient bien plus qu’un simple assistant question-réponse : il devient un interlocuteur cohérent et attentif.
Le checkpointing LangGraph : bien plus qu'une mémoire de chat
Contrairement à d'autres frameworks qui simulent une mémoire à l'aide d'une liste de messages, LangGraph propose une solution bien plus robuste. En utilisant un checkpointer, vous sauvegardez l’intégralité de l’état du graphe à chaque étape de son exécution. Lorsqu’on appelle de nouveau ce graphe avec le même thread_id
Ce système permet notamment :
Une persistance native de l’état de la conversation
Des flux de traitement complexes avec des retours en arrière ou des bifurcations
Des scénarios avancés comme l’intervention humaine ou la reprise après erreur
Tutoriel : Ajouter une mémoire à votre agent LangGraph
Voici comment intégrer une mémoire à votre chatbot étape par étape :
1. Créer un checkpointer
Pour ce tutoriel, nous allons utiliser un checkpointer en mémoire nommé MemorySaver. Ce type de stockage est idéal pour tester en local ou développer rapidement :
Dans un contexte de production, vous devriez envisager des solutions plus robustes comme SqliteSaver ou PostgresSaver, qui conservent les données au-delà du cycle de vie du processus Python.
2. Compiler le graphe avec un checkpointer
Une fois le checkpointer créé, il suffit de le fournir à la méthode compile()graph_builder
Le système s’occupera ensuite de sauvegarder automatiquement l’état de chaque interaction avec l’agent.
3. Définir un identifiant de conversation : le thread_id
Pour permettre à LangGraph d’associer les bons états à chaque utilisateur ou session, vous devez définir un thread_id
Ce paramètre est passé lors de chaque appel à stream() ou invoke().
4. Exemple d'interaction avec conservation de contexte
Premier message :
Deuxième message :
L’agent est désormais capable de se souvenir de ce que l’utilisateur lui a dit précédemment. Il répondra donc quelque chose comme « Bien sûr, Romain », preuve que le checkpointing fonctionne correctement.
5. Changer de thread pour simuler une nouvelle session
En modifiant simplement le thread_id, vous pouvez démarrer une nouvelle conversation, sans contexte :
L’agent n’aura alors aucun souvenir des échanges précédents, car il s’agit d’un nouveau fil de discussion.
6. Inspecter et comprendre l’état sauvegardé
Vous pouvez interroger l’état sauvegardé d’un thread à tout moment à l’aide de :
Cela vous permet de visualiser les messages enregistrés, l’état courant du graphe et, dans certains cas, l’étape suivante à exécuter.
Code complet
Voici un exemple complet de code Python pour un agent ReAct LangGraph avec mémoire :
Conclusion : une mémoire contextuelle pour des agents plus intelligents
Grâce au mécanisme de checkpointing proposé par LangGraph, vous offrez à vos agents conversationnels une mémoire stable, performante et flexible. Ce système dépasse la simple gestion d’un historique de messages. Il permet de modéliser des états complexes, de gérer des scénarios interactifs riches et de bâtir des agents capables de tenir de véritables conversations humaines.
L’ajout de la mémoire est une étape fondamentale dans la création d’un assistant intelligent. Et si vous voulez aller encore plus loin, la prochaine étape consiste à intégrer des interventions humaines dans la boucle, pour affiner ou valider certaines décisions du chatbot en temps réel.
