# 智能体如何‘记住’上下文：理解AI Agent的状态管理（State Management）

> 本文介绍了AI Agent中的状态管理（State Management）与上下文管理（Context Management）机制。在底层框架如LangGraph中，状态管理通过共享状态图、持久化检查点和人类介入支持实现长运行任务的记忆保持。在应用层如n8n中，上下文管理通过可复用的偏好设置（Preferences）确保智能体能记住业务规则。这些机制共同解决了智能体在多步交互中“记得住”上下文的问题。

原文：/knowledge/crawler-cc93b6f01423524aee46226759979557f555447abdbbe2c228e4ba5288204c79

在构建智能体（AI Agent）时，除了让模型具备执行工具调用的能力，核心挑战还在于如何让智能体在多次交互中保持任务的连贯性。这种能力被称为状态管理（State Management）或上下文管理。它决定了智能体是“做得到”（执行动作）还是“记得住”（维持记忆）。

[来源1](https://docs.langchain.com/oss/python/langchain/overview) · [来源2](https://docs.langchain.com/oss/python/langgraph/overview)

## 状态管理的核心：持久化与图结构

在主流框架如 LangGraph 中，状态管理不再仅仅是传递消息列表，而是被抽象为“共享状态”（Shared State）。智能体被定义为基于状态的图（Graph of Shared State），其中包含节点（Nodes）和边（Edges）。

状态管理的核心能力包括：
* **持久化（Persistence）**：系统可以检查点（Checkpoint）当前状态，并在失败或暂停后恢复执行。这使得智能体能够支持长运行（Long-running）的工作流。 
* **人类介入（Human-in-the-loop）**：允许在执行过程中暂停，检查或编辑状态，然后继续。 
* **短期与长期记忆**：支持线程内的短期状态以及跨会话的长期记忆。

[来源1](https://docs.langchain.com/oss/python/langgraph/overview)

## 上下文管理在应用层的实现

在更上层的智能体平台或工作流工具中，状态管理通常体现为“上下文管理”（Context Management）或“偏好设置”（Preferences）。

以 n8n 为例，其 Agentic Context Management 允许用户定义可复用的上下文（如命名规则、首选节点等）。这些上下文信息会被存储并传递给 AI 工具，确保智能体在每次构建工作流或代理时都能“记住”这些预设规则，而无需在每次提示中重复输入。这种机制通过权限控制，确保不同用户只能访问其被授权的上下文。

[来源1](https://docs.n8n.io/build/agentic-context-management.md)

## 总结

智能体的“记忆”能力依赖于底层的状态持久化机制和上层的上下文管理策略。LangGraph 等框架通过图结构和检查点技术解决了多步推理中的状态保持问题，而 n8n 等工具则通过可复用的偏好设置简化了业务规则的上下文注入。理解这些机制是构建复杂、可靠智能体的基础。

[来源1](https://docs.langchain.com/oss/python/langgraph/overview) · [来源2](https://docs.n8n.io/build/agentic-context-management.md)
