一、什么是长期记忆？

长期记忆（Long-term memory）能够让智能体（agent）在不同对话、会话之间存储和调取信息

长期记忆基于 LangGraph 的存储模块实现，该模块将数据保存为 JSON 文档，通过命名空间（namespace）和键（key）做数据组织。

二、语法使用

Tips：不管是长期记忆还是短期记忆，都有内存和持久化两种方式

2.1 InMemoryStore 语法

from langchain.agents import create_agent from langchain_core.runnables import Runnable from langgraph.store.memory import InMemoryStore # `InMemoryStore` 将数据保存在内存字典中。生产环境请使用基于数据库的存储。 store = InMemoryStore() agent: Runnable = create_agent( "claude-sonnet-4-6", tools=[], store=store, )

2.2 PostgreSQL语法

# pip install -U langgraph-checkpoint-postgres "psycopg[binary]" from langchain.agents import create_agent from langchain_core.runnables import Runnable from langgraph.store.postgres import PostgresStore # type: ignore[import-not-found] DB_URI = "postgresql://postgres:postgres@localhost:5432/postgres?sslmode=disable" with PostgresStore.from_conn_string(DB_URI) as store: store.setup() agent: Runnable = create_agent( "claude-sonnet-4-6", tools=[], store=store, )

三、存储方式

LangGraph 将长期记忆以 JSON 文档的形式存储在存储层（stores）中：

• •namespace + key组合定位一条记忆：namespace 做分组隔离，key 在分组内唯一

• • 典型命名空间示例：["memories", "user_123"]，代表用户 123 的记忆文件夹

3.1 InMemoryStore

• •不传 query：只依靠filter做结构化精确匹配，不进行向量相似度排序，返回顺序由存储实现决定。

• •传入 query：自然语言语义检索，会基于向量相似度对结果排序。可以搭配filter，先过滤再排序。

def embed(texts: Sequence[str]) -> list[list[float]]: # 假定返回一个向量 return [[1.0, 2.0] for _ in texts] # InMemoryStore saves data to an in-memory dictionary. Use a DB-backed store in production use. 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", ], "area": "北美", }, ) store.put( namespace, "b-memory", { "rules": [ "我喜欢国语", "我只会说一顶点点英文", ], "area": "炎黄子孙", }, ) # 通过ID获取存储数据 item = store.get(namespace, "a-memory") rprint(item) # 在该命名空间内搜索记忆条目，按内容等值条件过滤，并以向量相似度排序返回结果 items = store.search( namespace, filter={"area": "炎黄子孙"}, query="国语" ) rprint(items)

3.2 PostgreSQL

DB_URI = "postgresql://postgres:postgres@localhost:5432/postgres?sslmode=disable" with PostgresStore.from_conn_string(DB_URI) as store: store.setup()

其中setup() 函数会创建所需要的表：store,store_migrations,vector_migrations

• •store：存业务 / 记忆 KV 数据

• •store_migrations：跟踪 store 表结构版本

• •vector_migrations：跟踪向量索引 / 向量表的版本（需要 pgvector）

3.2.1store【核心业务数据主表】

作用：保存普通键值数据（非向量），对应store.put()/store.get()读写的内容（Agent 记忆、用户配置、会话元数据等）。

关键字段：

• •prefix：命名空间（类似文件夹，用来分组数据，比如("users","123")）

• •key：记录的键

• •value：JSONB 存储的值

• •created_at/updated_at：创建更新时间

• •expires_at：TTL 过期时间（可选自动清理）

简单理解：LangGraph 内置 KV 存储，Agent 的长期记忆就存在这张表里。

3.2.2store_migrations【KV 表的迁移版本记录表（框架内部）】

作用：记录store表的 schema 迁移版本，属于框架内部管理表，业务代码不要手动读写。

逻辑：

• • 每次调用setup()，会先读这张表，判断当前数据库的表结构版本

• • 如果版本低，自动执行对应的 ALTER/CREATE 迁移 SQL；版本一致就跳过，幂等，重复调用 setup 不会重复建表

• • 保证不同版本 LangGraph 升级时，自动更新store表结构，不会破坏已有数据

3.2.3vector_migrations【向量索引迁移版本记录表（框架内部）】

作用：管理向量索引的迁移版本，依赖 pgvector 扩展。

• • 只有开启index_config（启用向量检索）才会用到这套逻辑

• • 记录向量相关表、索引（hnsw/ivfflat 向量索引）的迁移版本

• •setup()会检查这个表，自动创建 / 升级向量表、向量索引

四、在工具中读写Store

4.1 在工具（tools）中读取长期记忆

通过ToolRuntime获取store信息

Tips：从源码中可以看到，ToolRuntime不仅可以获取store，还能获取state和context上下文

ToolRuntime定义如下：

案例代码：

@dataclass class Context: user_id: str with PostgresStore.from_conn_string(DB_URI) as store: store.setup() store.put(("users",), "user_123", {"name": "John Smith", "language": "English"}) @tool def get_user_info(runtime: ToolRuntime[Context]) -> str: """Look up user info.""" assert runtime.store is not None # 根据用户id获取用户信息 user_info = runtime.store.get(("users",), runtime.context.user_id) return str(user_info.value) if user_info else "Unknown user" agent = create_agent( model = model, tools = [get_user_info], store = store, context_schema = Context, ) result = agent.invoke( {"messages": [{"role": "user", "content": "查看用户信息"}]}, context = Context(user_id = "user_123"), ) for m in result["messages"]: m.pretty_print()

4.2 在工具（tools）中写长期记忆

使用put保存信息

@tool def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str: """保存用户信息.""" assert runtime.store is not None runtime.store.put(("users",), runtime.context.user_id, dict(user_info)) return "成功保存用户信息." with PostgresStore.from_conn_string(DB_URI) as store: store.setup() agent: Runnable = create_agent( model=model, tools=[save_user_info], store=store, context_schema=Context ) result= agent.invoke( {"messages": [{"role": "user", "content": "My name is John Smith"}]}, context=Context(user_id="user_123"), ) for m in result["messages"]: m.pretty_print()

4.3 从数据库中store表中可以看到存储的结果

五、小总结

• •长短期区别：短期记忆管“眼前这摊事”（单线程），长期记忆管“下次还认得你”（跨线程）。

• •存储核心：基于 LangGraph Store 实现，数据以JSON 文档形式保存，通过namespace + key定位。

• •两种姿势：开发用InMemoryStore（内存字典），生产用PostgresStore（需pgvector支持向量检索）。

• •读写入口：在工具内部通过ToolRuntime拿到store实例，用get读取、put写入，实现 Agent 的“经验沉淀”。

没有长期记忆的 Agent 只是个金鱼脑，有了 Store，它才算真正有了“积累”。

如果觉得有用，别忘了点赞、在看、转发三连支持！