精通 AI 驱动的营销一致性：使用 langmem 和 langgraph 技术构建自学习代理

Rifx.Online
Natural Language Processing , AI Applications , AI Research
05 Mar, 2025

确保 AI 生成的营销活动的一致性

AI Agent Bot 正在服用记忆药丸。由 Dall-E 3 想象

挑战：用 AI 创建一致的品牌叙事

在第一部分中，我们介绍了AI 驱动的社交媒体代理的概念——能够分析品牌影响力、生成视频内容和自动化帖子。

但是当 AI 开始大规模创建内容时会发生什么？

🚨 如果没有结构化的记忆系统，AI 生成的营销材料可能会失去连贯性，从而产生不连贯的信息传递，随着时间的推移，无法建立可识别的品牌形象。

想象一下，一个品牌发布了一段关于可持续时尚的 AI 生成视频，然后是另一段完全不相关的短片，鼓励客户不惜一切代价削减成本——这会混淆观众并削弱品牌信任。

这就是LangMem发挥作用的地方。通过将长期记忆集成到我们的社交媒体代理中，我们可以确保 AI 不仅仅创建孤立的帖子，而是记住品牌的历史、受众偏好和营销主题——从而形成连贯且不断发展的社交媒体策略。

为什么选择 LangMem？AI 驱动的营销一致性的秘密武器

🆕 LangMem SDK 于 2025 年 2 月 18 日发布，在Reelfy，我们已经开始尝试使用它来突破 AI 驱动内容营销的界限。

LangMem提供了一个高级的记忆系统，允许 AI 代理随着时间的推移保留和完善知识。它超越了短期上下文窗口，使代理能够从过去的交互中学习、动态更新品牌指南并提高讲故事的一致性。

哪种类型的记忆最适合社交媒体营销？

LangMem 提供了三种关键类型的记忆——每种记忆在 AI 驱动的工作流程中都有不同的功能。为了在AI 生成的营销视频中保持品牌一致性，我们侧重于语义记忆和程序记忆：

使用 LangMem + LangGraph 构建社交媒体代理

只有 LangMem 是不够的——我们需要一种结构化的方式让我们的 AI 代理访问和更新其记忆。 这就是LangGraph发挥作用的地方。通过将 LangMem 的记忆工具集成到 LangGraph 的代理框架中，我们创建了一个自学习营销助手，它可以实时分析、生成和完善内容。

在第 1 部分中，我们使用 SmolAgents 来协调我们的 AI 社交媒体代理。这次，我们改用 LangGraph。为什么？

🔹 LangGraph 与 LangMem 原生集成，使得演示使用内置记忆方法的好处变得更容易。

步骤 1：初始化 AI 的记忆——用于营销知识的内置 RAG

在我们的 AI 生成战略营销内容之前，它需要一个地方来存储和检索知识。在这个设置中，LangMem 充当一个内置的 RAG。

让我们初始化我们的长期记忆存储，它将包含语义记忆（事实和知识）和程序记忆（营销工作流程）。

from langgraph.store.memory import InMemoryStore

## Initialize memory storage using LangGraph
store = InMemoryStore(index={"dims": 1536, "embed": "openai:text-embedding-3-small"})

🔹 为什么？AI 需要一个持久的知识库，以避免生成不连贯、不一致的内容。

步骤 2：使用语义记忆存储关键营销知识

让我们定义一个结构来存储关键营销知识，并创建记忆管理工具以供以后使用。我们将首先：

1️⃣ 将关键营销知识存储在语义记忆中

我们没有将知识硬编码到提示中，而是将营销事实存储在LangMem 的长期记忆中，确保 AI 可以动态地检索和应用它们。

from langmem import create_memory_manager, create_manage_memory_tool, create_search_memory_tool
from pydantic import BaseModel

## Define structure for marketing knowledge
class MarketingKnowledge(BaseModel):
    topic: str
    key_insights: str

## Create memory manager to store facts
memory_manager = create_memory_manager(
    "anthropic:claude-3-5-sonnet-latest",
    schemas=[MarketingKnowledge],
    instructions="Store key marketing facts and retrieve them for future campaign strategies.",
    store=store,
)

## Store industry knowledge
marketing_facts = [
    {"topic": "Startup Founders' Challenges", "key_insights": "Founders struggle with hiring, funding, and scaling."},
    {"topic": "Engaging Video Content", "key_insights": "Short-form educational videos drive 3x more engagement than static posts."},
    {"topic": "Brand Differentiation", "key_insights": "Successful startups use storytelling to highlight unique brand values."}
]

## Store facts in AI's memory
for fact in marketing_facts:
    memory_manager.invoke({"messages": [{"role": "user", "content": f"Save this fact: {fact}"}]})

## Create tools for AI to interact with memory
manage_memory_tool = create_manage_memory_tool(namespace=("memories",))
search_memory_tool = create_search_memory_tool(namespace=("memories",))

🔹 为什么？ AI 现在可以访问它可以应用于生成营销活动的真实世界知识。

2️⃣ 随着新见解的出现，更新语义记忆

营销知识不是静态的——趋势会发生变化，受众行为会发生变化，新见解也会出现。

假设我们发现了新的参与趋势（例如，“LinkedIn 轮播超越了视频”）。我们需要相应地更新 AI 的记忆。

语义记忆的视觉表示。绘制于 https://excalidraw.com/

## Update AI's marketing knowledge with new industry insights
new_insight = {
    "topic": "Engaging Video Content",
    "key_insights": "LinkedIn carousels now outperform short videos for B2B engagement."
}

## Store the updated fact in memory
memory_manager.invoke({"messages": [{"role": "user", "content": f"Update this fact: {new_insight}"}]})

🔹 为什么？ AI 生成的内容现在将反映最新趋势，确保它保持竞争力和相关性。


## 步骤 3：为 AI 营销代理创建和完善程序性记忆

借助 *LangMem*，我们可以**通过程序性记忆来** **教** 我们的社交媒体代理如何构建营销活动。为了避免**叙事格式不一致**，我们的 AI 代理必须学习**有效营销视频的结构**——例如**钩子、叙事弧线和行动号召的放置**。

但营销**不是静态的**——品牌在**发展**，策略在**转变**，受众参与度在**波动**。

这就是**我们不仅仅定义一次指令**的原因——我们**将它们存储在记忆中，并随着时间的推移根据市场趋势和绩效见解来完善它们**。我们将首先：

**1️⃣ 将初始营销指南存储在程序性记忆中**

让我们从**定义**我们的 AI 应该如何构建营销活动开始。我们将这些**规则存储在 LangMem 的长期记忆中**，确保代理**遵循可预测的格式**。

```python
## Store initial campaign structure in procedural memory
store.put(("instructions",), key="marketing_campaigns", value={
    "prompt": """You are a Social Media Agent. Every marketing campaign must follow this structure:

1. Hook: Start with an engaging question, bold statement, or surprising stat.
    2. Educational Insight: Teach startup founders something valuable about the topic.
    3. Call to Action: Encourage audience interaction with a thought-provoking question or challenge.

Maintain a playful yet professional tone. Focus on creating **educational content** for startup founders."""
})

🔹 为什么？ 通过将这些活动指南保存在记忆中，我们的 AI 将记住并在多个活动中遵循此结构——确保一致性。

2️⃣ 根据市场洞察完善活动结构

随着营销策略的发展，我们可能需要更新 AI 的程序性记忆——例如，如果我们意识到在活动格式中添加成功案例时，受众参与度会提高。

程序性记忆的视觉表示。绘制于 https://excalidraw.com/

from langmem import create_prompt_optimizer

## Initialize prompt optimizer to refine procedural memory
optimizer = create_prompt_optimizer("anthropic:claude-3-5-sonnet-latest")

## Retrieve current campaign structure
current_prompt = store.get(("instructions",), key="marketing_campaigns").value["prompt"]

## Market feedback suggests success stories increase engagement
feedback = {"request": "Include a success story in every campaign to increase engagement."}

## AI refines campaign structure based on feedback
updated_prompt = optimizer.invoke({"prompt": current_prompt, "trajectories": [(current_prompt, feedback)]})

## Store the updated procedural memory
store.put(("instructions",), key="marketing_campaigns", value={"prompt": updated_prompt})

🔹 为什么？ AI 生成的活动不断改进，确保更高的参与度。

步骤 4：生成学习和适应的 AI 驱动营销活动

现在我们的 AI 拥有了知识（语义记忆）和结构化流程（程序性记忆），让我们生成随着时间推移而发展的活动。

1️⃣ 创建第一个营销活动

from langgraph.prebuilt import create_react_agent
from langgraph.config import get_store

## Define prompt function to fetch instructions from memory
def prompt(state):
    item = store.get(("instructions",), key="marketing_campaigns")
    instructions = item.value["prompt"]
    sys_prompt = {"role": "system", "content": f"## Campaign Instructions\n\n{instructions}"}
    return [sys_prompt] + state["messages"]

## Create AI Marketing Agent
agent = create_react_agent(
    "anthropic:claude-3-5-sonnet-latest",
    prompt=prompt,
    tools=[manage_memory_tool, search_memory_tool],
    store=store,
)

## Generate the first campaign
first_campaign = agent.invoke({
    "messages": [{"role": "user", "content": "Create a campaign about Hiring and Team Building for startup founders."}]
})

print(first_campaign)  # AI follows stored campaign structure

2️⃣ 生成第二个活动，该活动扩展了第一个活动

由于AI 记住过去的活动，我们不需要手动检索它们——AI 会自动保持上下文。

## Generate a follow-up campaign while maintaining continuity
second_campaign = agent.invoke({
    "messages": [{"role": "user", "content": "Create a follow-up campaign on Product Development that builds on the Hiring and Team Building insights."}]
})

print(second_campaign)  # AI expands on previous campaign, ensuring continuity