Store 是 LangChain体系提供的跨线程/会话持久化键值存储工具，一个简单的 JSON 文档存储系统，支持分层命名空间，可选向量语义检索与 TTL 过期。它让 Agent 能在多次对话间共享数据，例如用户偏好、长期记忆或缓存结果。
单个对话线程的短期记忆（Checkpointer）会受到thread_id的隔离限制，但是Store可以突破它，生产环境Store底层依靠数据库持久化，配合Namespace就能实现Agent的长期记忆。
1. Store的集成
LangGraph通过compile方法将store对象传入。此时，LangGraph 会自动处理 Store 的生命周期。
from langgraph.store.memory import InMemoryStore from langgraph.graph import StateGraphstore = InMemoryStore() builder = StateGraph(...)graph = builder.compile(store=store)在LangChain中，create_agent方法支持传入Store。
agent = create_agent( model="claude-sonnet-4-5-20250929", tools=[get_user_info], # Pass store to agent - enables agent to access store when running tools store=store, context_schema=Context)在DeepAgents中，同样的直接可传入Store，概念上DeepAgents多了个Backend，这个以后我们再讨论。
def make_backend(runtime): return CompositeBackend( default=StateBackend(runtime), # Ephemeral storage routes={ "/memories/": StoreBackend(runtime) # Persistent storage } )agent = create_deep_agent( store=InMemoryStore(), backend=make_backend, checkpointer=checkpointer)2. Store的基础读写
Store 提供了简洁但功能强大的操作接口，主要围绕put、get和search展开。存储涉及到IO，大家可能会担心性能问题，Store其实提供了一套异步API（aput,aget,asearch），这在高并发的 Agent生产服务时至关重要。
| API 方法 | 描述 | 关键参数 |
|---|---|---|
| put | 存储或更新 JSON 文档 | namespace,key,value |
| get | 根据命名空间和键精确获取单条记录 | namespace,key |
| search | 搜索记录，支持语义检索和元数据过滤 | namespace,query,filter,limit |
store = InMemoryStore(index={"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", },)# get the "memory" by IDitem = store.get(namespace, "a-memory") # search for "memories" within this namespace, filtering on content equivalence, sorted by vector similarityitems = store.search( namespace, filter={"my-key": "my-value"}, query="language preferences")我们可以通过Tool机制，让Agent使用Store，如果使用LangChain或DeepAgents，我们可以从runtime中获取create_agent和create_deep_agent传入的store对象。生产需要使用DB实现的Store，需要关注数据库连接池，避免消耗资源。
@tooldef get_user_info(runtime: ToolRuntime[Context]) -> str: """Look up user info.""" # Access the store - same as that provided to `create_agent` store = runtime.store user_id = runtime.context.user_id # Retrieve data from store - returns StoreValue object with value and metadata user_info = store.get(("users",), user_id) return str(user_info.value) if user_info else"Unknown user"# Tool that allows agent to update user information (useful for chat applications)@tooldef save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str: """Save user info.""" # Access the store - same as that provided to `create_agent` store = runtime.store user_id = runtime.context.user_id # Store data in the store (namespace, key, data) store.put(("users",), user_id, user_info) return"Successfully saved user info."3. 如何用好Namespace
Namespace 是 Store 中组织数据的分层路径，以字符串元组表示，类似文件夹结构，用于隔离不同业务域、用户或环境的数据。
设计Store机制的时候，还是folder-like structure，但已经展现了langchain对“万物皆文件”理念的偏爱，和Manus中的“FileSystem as Memory”思路一致。等到了DeepAgents，又设计FileSystem的抽象工具——Backend，真正的为Agent提供了文件系统。这里先聚焦Namespace。
Namespace 通常以元组（Tuple）的形式表示，支持多级嵌套，实现层级化管理。开发者可以根据业务需求灵活组织记忆：
- 用户级隔离：最常见的模式，确保每个用户的偏好和事实仅在其对应的
user_id空间内可见。 - 组织级共享：可以将 Namespace 设置为
("memories", "{org_id}")，使同一组织内的所有 Agent 能够搜索和共享该组织的政策或规则。 - 按类别划分：可以在用户 ID 下进一步细分，如
("agent_smith", "memories", "{user_id}", "preferences")，专门用于存储特定类型的非结构化信息。
# 根级 store.put(("docs",), "report1", {"title": "年报"}) # 用户级 store.put(("docs", "user123"), "notes", {"content": "..."})) # 多级缓存 store.put(("cache", "embeddings", "v1"), "e1", {"vec": [...]})Namespace除了灵活的组织分级，也提供了高级过滤和通配符，在应对复杂业务场景时非常方便。
# 前缀过滤 store.list_namespaces(prefix=("test",)) # 后缀过滤 store.list_namespaces(suffix=("public",)) # 组合 store.list_namespaces(prefix=("a",), suffix=("f",)) # 通配符 store.list_namespaces(prefix=("a", "*", "f"))4.语义检索
Store语义检索依赖于底层实现，官方提供了SqliteStore和PostgresStore，SqliteStore内置向量支持，仅支持 cosine 距离。PostgresStore需要pgvector 扩展，默认 cosine。
Store 通过在创建时提供index配置启用向量语义检索，写入时指定要索引的字段。可选fields指定要嵌入的 JSON 路径，默认为["$"]（整个文档）。
核心使用search(namespace_prefix, query=…, filter=…, limit=…)进行自然语言检索。
conn_string = "postgresql://user:pass@localhost:5432/dbname"with PostgresStore.from_conn_string( conn_string, index={"dims": 1536,"embed": init_embeddings("openai:text-embedding-3-small"),"fields": ["text"] # specify which fields to embed. Default is the whole serialized value }) as store: store.setup() # Do this once to run migrations# Store documents store.put(("docs",), "doc1", {"text": "Python tutorial"}) store.put(("docs",), "doc2", {"text": "TypeScript guide"}) store.put(("docs",), "doc2", {"text": "Other guide"}, index=False) # don't index# Search by similarity results = store.search(("docs",), query="programming guides", limit=2)向量与原始 JSON 文档分开存储，不影响普通 get/put 操作。
5. Store小结
Store是实现长期记忆（Long-term Memory）的关键，设计理念回归本质，采用简洁的文档存储模式，支持通过命名空间（Namespace）和键（Key）的层级结构来组织 JSON 格式的数据条目。不仅支持基础的存（put）、取（get）操作，更集成了强大的语义搜索（Semantic Search）功能，使 Agent 能够根据“含义”而非仅仅是精确匹配来检索用户的历史偏好、事实知识或过往经验，能从反馈中学习并持续进化。
为了让 Agent 能够以更符合 AI 直觉的方式操作这些长期记忆，DeepAgents 进一步通过其 Backend 机制，将 Store 的底层存取逻辑抽象为了一套 AI 原生的文件系统操作接口，我们下次再详细讨论。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
