「Regnexe Python 实战系列」第 7 篇（共 10 篇），对应仓库examples/readme/07_three_layer_memory.py。上一篇：06. 能力市场换成数据库要改多少代码？regnexe-py 一个 Marketplace 搞定。

问题的起点

Agent 调用一次完整地回答了问题。下次继续聊，它还记得上次说了什么吗？

这不是一个可以靠"塞进 history 列表"来解决的问题——谁来裁剪？裁多少？超出上下文怎么办？regnexe-py 把这些事情交给了底层架构来处理，而不是在业务代码里手动维护。

Regnexe-py 会话如何挂载到线程

沿用 LangChain（deepagents） 体系，每次ainvoke()都会传三个身份字段：

agent=(RegnexeAgentBuilder().with_default_model(Vendor.DEEPSEEK,"deepseek-v4-flash").with_plugin(WeatherPlugin()).with_event_listener(ConsoleEventListener()).build())result=awaitagent.ainvoke("Check today's weather in Beijing.",app_id="readme",user_id="reader",session_id="07-memory-a",)

内部会把它们拼成 LangGraph 的thread_id：

readme:reader:07-memory-a

checkpointer（默认MemorySaver）以这个 thread_id 为键，存取图的完整运行状态。同一个session_id的多次调用落在同一条线程上；换session_id就是全新线程，没有任何历史。

消息是怎么积累的

deepagents 的图状态（DeepAgentState）里有一个messages字段，类型是DeltaChannel——每次图节点执行只写入增量，每 50 次才做一次完整快照，从 O(N²) 降到 O(N) 的存储开销。

同一 session 下连续两次ainvoke()，消息会持续追加：

第 1 次调用（问天气）： HumanMessage("Check today's weather in Beijing...") AIMessage(tool_calls=[{name: "get_weather", args: {"city": "Beijing"}}]) ToolMessage("Beijing: sunny, 22 C, excellent air quality.") AIMessage("Yes, today is great for outdoor running.") 第 2 次调用（追问，同 session_id）： HumanMessage("Based on the weather you just looked up...") AIMessage("Since it's sunny and 22°C, here are a few tips...")

LangGraph 在第二次调用前自动恢复线程状态，模型拿到的是完整的对话历史，不需要业务层做任何额外处理。

示例里验证这个行为只需保持session_id不变：

# Turn 1: tool is calledresult1=awaitagent.ainvoke("Check today's weather in Beijing and tell me if it's good for outdoor running.",app_id="readme",user_id="reader",session_id="07-memory-a",)# Turn 2: model already knows the weather, no tool re-call neededresult2=awaitagent.ainvoke("Based on the weather you just looked up, what should I keep in mind while running? ""No need to check the weather again.",app_id="readme",user_id="reader",session_id="07-memory-a",)

上下文压缩：SummarizationMiddleware

消息无限积累必然撑爆模型的 context window。deepagents 默认内置了SummarizationMiddleware，它的触发逻辑是：

• 有模型 profile（知道 max_input_tokens）：token 用量达到85%时压缩，保留最近10%的窗口
• 无 profile：超过170,000 tokens时压缩，保留最近6 条消息

触发后，它做三件事：

1. 把旧消息用 LLM 压缩成一段摘要
2. 把原始消息卸载到后端（/conversation_history/{thread_id}.md），方便 agent 之后用read_file查看
3. 在私有状态字段_summarization_event里记录{cutoff_index, summary_message, file_path}

关键设计：state["messages"]里的原始消息永远不会被删除。只有发给 LLM 的那一份视图被替换成[summary_message] + messages[cutoff:]。这样 checkpoint 里的完整日志可以用于 replay 和 eval，不因压缩而丢失。

可替换点

替换 checkpointer——持久化会话

默认的MemorySaver在进程重启后丢失所有会话。换成持久化后端：

fromlanggraph.checkpoint.sqlite.aioimportAsyncSqliteSaverasyncwithAsyncSqliteSaver.from_conn_string("sessions.db")ascheckpointer:agent=(RegnexeAgentBuilder().with_default_model(Vendor.DEEPSEEK,"deepseek-v4-flash").with_plugin(WeatherPlugin()).with_checkpointer(checkpointer).build())

换 checkpointer 不影响业务代码里的app_id / user_id / session_id用法，线程映射逻辑完全不变。

替换 SummarizationMiddleware——控制压缩时机

默认触发阈值对大多数场景够用。如果需要更早压缩（比如控制成本）或调整保留窗口：

fromdeepagents.middleware.summarizationimportSummarizationMiddlewarefromdeepagents.backendsimportStateBackend summ=SummarizationMiddleware(model=my_model,backend=StateBackend(),trigger=("tokens",60_000),# 6 万 token 时就压缩keep=("messages",10),# 保留最近 10 条)agent=(RegnexeAgentBuilder().with_default_model(Vendor.DEEPSEEK,"deepseek-v4-flash").with_plugin(WeatherPlugin()).with_middleware(summ).build())

with_middleware()把自定义 middleware 追加到 deepagents 的 middleware 栈，传给create_deep_agent(middleware=...)。如果同时注册了和默认栈相同类型的 middleware，需要通过 deepagents 的HarnessProfile.excluded_middleware先移除默认的——这属于进阶用法，通常只覆写触发参数就够了。

小结

regnexe-py 不重新实现这些机制，而是把app_id / user_id / session_id的业务身份体系接到 deepagents / LangGraph 的状态管理上，让架构替你管记忆。

📌 上一篇：06. 能力市场换成数据库要改多少代码？regnexe-py 一个 Marketplace 搞定 ｜ 下一篇：08. Agent 答案错了怎么排查？先把 LLM 和工具调用事件打出来
📌 项目地址：https://github.com/flower-trees/regnexe-py