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）
3.2.1 store 【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。
3.2.2 store_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
3.2.3 vector_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！