企业官网建设流程全解析

一、概述

长期记忆让你的代理能够在不同对话和会话中存储和回忆信息。

长期记忆是建立在LangGraph Store基础上的，数据保存为
按命名空间（namespace）和键（key）分类的 JSON 文档。

二、用法

要为代理添加长期记忆，创建一个 store 并传给create_agent：

fromlangchain.agentsimportcreate_agentfromlangchain_core.runnablesimportRunnablefromlanggraph.store.memoryimportInMemoryStore# InMemoryStore 将数据保存到内存字典中。生产环境请使用 DB 支撑的 store。store=InMemoryStore()agent:Runnable=create_agent("claude-sonnet-4-6",tools=[],store=store,)

更多 store 后端：包括 Redis 和 MongoDB，参见「存储集成清单」。
MongoDB 攻略参见「MongoDB 的长期记忆」。

工具随后可以使用runtime.store参数从存储器读取和写入。

深入探讨：关于记忆类型（语义记忆、情景记忆、程序记忆）及记忆书写策略，
参见「记忆概念指南」。

三、内存存储（Memory store）

LangGraph 将长期记忆存储为 JSON 文档，存储在 store 中。

每个内存分别被组织在自定义的namespace（类似文件夹）和独立的key（类似文件名）下。

namespace 通常包含用户或组织 ID 或其他标签，以便于信息组织。

这种结构使记忆能够进行层级组织，并通过内容筛选支持跨命名空间搜索。

fromcollections.abcimportSequencefromlanggraph.store.baseimportIndexConfigfromlanggraph.store.memoryimportInMemoryStoredefembed(texts:Sequence[str])->list[list[float]]:# 替换为实际的 embedding 函数或 LangChain embeddings 对象return[[1.0,2.0]for_intexts]# InMemoryStore 将数据保存到内存字典中。生产环境请使用 DB 支撑的 store。store=InMemoryStore(index=IndexConfig(embed=embed,dims=2))user_id="my-user"application_context="chitchat"namespace=(user_id,application_context)store.put(namespace,"a-memory",{"rules":["User likes short, direct language","User only speaks English & python",],"my-key":"my-value",},)# 通过 ID 获取该 "memory"item=store.get(namespace,"a-memory")# 在该命名空间内搜索 "memories"，按内容等价性过滤，按向量相似度排序items=store.search(namespace,filter={"my-key":"my-value"},query="language preferences")

关于 memory store 的更多信息，参见「Persistence guide」。

Store 核心 API

向量检索配置

InMemoryStore(index=IndexConfig(embed=embed,dims=2))

embed可以是任意 embedding 函数，或 LangChain embeddings 对象；
dims为向量维度。生产用替换成真实 embedding。

四、在工具中读取长期记忆

工具通过runtime.store访问 store（与传给create_agent的是同一个）。

fromdataclassesimportdataclassfromlangchain.agentsimportcreate_agentfromlangchain.toolsimportToolRuntime,toolfromlangchain_core.runnablesimportRunnablefromlanggraph.store.memoryimportInMemoryStore@dataclassclassContext:user_id:str# InMemoryStore 将数据保存到内存字典中。生产环境请使用 DB 支撑的 store。store=InMemoryStore()# 使用 put 方法写入示例数据store.put(("users",),# 命名空间，用于将相关数据分组（users 命名空间存放用户数据）"user_123",# 命名空间内的键（这里用 user ID 作为键）{"name":"John Smith","language":"English",},# 为该用户存储的数据)@tooldefget_user_info(runtime:ToolRuntime[Context])->str:"""Look up user info."""# 访问 store - 与提供给 `create_agent` 的相同assertruntime.storeisnotNoneuser_id=runtime.context.user_id# 从 store 检索数据 - 返回带有 value 和 metadata 的 StoreValue 对象user_info=runtime.store.get(("users",),user_id)returnstr(user_info.value)ifuser_infoelse"Unknown user"agent:Runnable=create_agent(model="openai:gpt-5.5",tools=[get_user_info],# 把 store 传给 agent - 使 agent 在运行工具时能访问 storestore=store,context_schema=Context,)# 运行代理agent.invoke({"messages":[{"role":"user","content":"look up user information"}]},context=Context(user_id="user_123"),)

要点：

• runtime.store类型为Optional，使用前建议assert runtime.store is not None
• get()返回的是StoreValue 对象，需通过.value取数据
• 未命中时返回None（示例中兜底返回"Unknown user"）
• 用户身份从runtime.context.user_id取，需在create_agent配context_schema

五、从工具中写入长期记忆

fromdataclassesimportdataclassfromlangchain.agentsimportcreate_agentfromlangchain.toolsimportToolRuntime,toolfromlangchain_core.runnablesimportRunnablefromlanggraph.store.memoryimportInMemoryStorefromtyping_extensionsimportTypedDict# InMemoryStore 将数据保存到内存字典中。生产环境请使用 DB 支撑的 store。store=InMemoryStore()@dataclassclassContext:user_id:str# TypedDict 定义给 LLM 看的用户信息结构classUserInfo(TypedDict):name:str# 允许代理更新用户信息的工具（对聊天应用很有用）@tooldefsave_user_info(user_info:UserInfo,runtime:ToolRuntime[Context])->str:"""Save user info."""# 访问 store - 与提供给 `create_agent` 的相同assertruntime.storeisnotNonestore=runtime.store user_id=runtime.context.user_id# 在 store 中存储数据 (namespace, key, data)store.put(("users",),user_id,dict(user_info))return"Successfully saved user info."agent:Runnable=create_agent(model="openai:gpt-5.5",tools=[save_user_info],store=store,context_schema=Context,)# 运行代理agent.invoke({"messages":[{"role":"user","content":"My name is John Smith"}]},# user_id 在 context 中传入，用于标识正在更新谁的信息context=Context(user_id="user_123"),)# 你也可以直接访问 store 来获取值item=store.get(("users",),"user_123")

要点：

• 用TypedDict定义参数结构，让 LLM 知道该填什么
• store.put(("users",), user_id, dict(user_info))—— TypedDict 需转成普通 dict 存入
• store 对象在工具外部仍可直接访问（store.get(...)），便于验证与调试

六、速查表

短期 vs 长期记忆

Store API

工具内标准写法

@tooldefmy_tool(runtime:ToolRuntime[Context])->str:"""..."""assertruntime.storeisnotNoneuser_id=runtime.context.user_id# 从 Context 取身份item=runtime.store.get(("users",),user_id)# 读runtime.store.put(("users",),user_id,{...})# 写returnstr(item.value)ifitemelse"Unknown user"

常用导入

fromlangchain.agentsimportcreate_agentfromlangchain.toolsimporttool,ToolRuntimefromlanggraph.store.memoryimportInMemoryStorefromlanggraph.store.baseimportIndexConfig# 生产后端：PostgresStore / RedisStore / MongoDBStore

七、要点小结

1. 长期记忆跨线程持久，随时可调用；短期记忆只在单线程内有效——二者互补、常一起使用。
2. 底层是LangGraph Store，数据为 JSON 文档，按namespace + key组织（namespace 类似文件夹，key 类似文件名）。
3. 启用方式极简：create_agent(..., store=store)。
4. namespace通常包含用户/组织 ID 或其他标签，便于信息组织与层级划分。
5. 三种 API：put（写）、get（读，返回 StoreValue 的.value）、search（内容过滤 + 向量相似度排序）。
6. 向量检索需显式配置IndexConfig(embed=..., dims=...)；embed可用任意函数或 LangChain embeddings 对象。
7. 工具通过runtime.store访问，与传给create_agent的是同一个实例。
8. ⚠️runtime.store是Optional，使用前应assert ... is not None（或做 None 判断）。
9. 用户身份通常从runtime.context取（需配context_schema），再拼到 namespace/key 上做隔离。
10. 给 LLM 的结构化入参用TypedDict定义，存入前用dict(...)转换。
11. ⚠️生产环境不要用InMemoryStore（数据存内存字典，进程重启即失）——换 Postgres / Redis / MongoDB store。
12. 记忆类型（语义 / 情景 / 程序）与记忆书写策略参见「记忆概念指南」。