config={"configurable":{"thread_id":""}} agent.invoke]}。 config=config)

result = agent.invoke]},config=config)

for message in result: print)

该策略可防止历史堆叠导致模型误判上下文。

Delete示例 – after_model 装饰器删掉工具调用等无关信息：

...

SummarizationMiddleware 摘要示例 – 自动生成摘要以压缩历史：

agent = create_agent(
model。checkpointer=InMemorySaver,middleware=,keep=)
]
)

长期记忆

L​angChain 将长期记忆划分为三类，帮助我们在不同层面上管理知识库：

• 语义记忆: 记录事实、使用者偏好、领域概念等可检索知识。
• 情景记忆: 经验类记录，用成功/失败案例作为提示词或约束条件。
• 程序性记忆: 规则、工作流程、程序提示词等操作性知识。

User Pain Point：如何在多使用者、多线程环境下统一访问与更新这些知识，而不出现冲突或版本问题？答案是使用统一的 Store 接口！下面演示其主要 API 与典型使用方式。

Store API 简介 & 示例代码

API 接口支持四个基本操作：.

python

from langgraph.store.memory import InMemoryStore

store = InMemoryStore

store.put,key='user_1',value={'name': 'zhangsan'。'age': 30})

ret = store.get,key='user_1') print # {'name': 'zhangsan','age': 30}

store.delete,'user_1')

• 命名空间类似文件方法，如
• value 可以是任意对象；若需要向量检索需自行嵌入向量字段。
• search 支持以下参数：namespace_prefix / query / filter / limit / offset。
• # 搜索范例：
  python store.put,key='hobby',value={"learn":"计算机组成原理","food":"大米饭","sports":"撸铁"}) store.put,key='hobby',value={"learn":"计算机组成原理","food":"大米饭"。"sports":"撸铁"}) result_all_user_hobbies = store.search) result_specific_user_hobbies = store.search) result_filtered_by_learning = store.search,filter={'learn':'数据库原理'}) -- 返回 Item 列表，可直接遍历查看值与 score 等字段。-- key='hobby',value={'learn':'计算机组成原理','food':'大米饭','sports':'撸铁'},created_at='...',updated_at='...',score=None)。... ] # 向量检索 ：

  - 使用本地 Ollama embedding 模型做向量化，需安装 `langchain-ollama` 或相似包。老实说，- 在 Store 构造时传入 `index` 字典即可启用向量搜索。- query 参数即为文本查询，通过 Cosine 相似度排序返回最匹配的 Item。

  python from langchain.embeddings import init_embeddings embedding_model = init_embeddings store_with_vec_index = InMemoryStore( index={ "embed": embedding_model,"dims": embedding_model.dimensions,"fields":}) vec_result = store_with_vec_index.search,query="计算机") print ---

  Agent 使用 Store 的方式示例

  python agent_with_store_in_memory = create_agent( model。store=InMemoryStore ) result_mem_store_demo = agent_with_store_in_memory.invoke( {"messages":}) for m in result_mem_store_demo: print) ---

  PostgreSQL 长期存储实例

  python with PostgresStore.from_conn_string as pg_store: agent_pg_long_term = create_agent res_pg_demo = agent_pg_long_term.invoke( {"messages":}) for m in res_pg_demo: print) ---

  工具层访问 Store 的完整案例

  python @tooldef save_user->str: """保存使用者信息""" runtime.store.put,key=runtime.state,value={'name': name}) return 'saved' @tooldef get_user->str: """获取使用者信息""" u=runtime.store.get,key=runtime.state) return str if u else 'unknown' class CustomState: user_id : NotRequired # 自定义属性注入到 state agent_with_tool_and_state=create_agent( model,store=InMemoryStore,state_schema=CustomState,tools=,system_prompt="""当使用者提及个人信息时及时记录。当询问个人信息时尝试用工具检索。”" ) agent_with_tool_and_state.invoke({ "messages":,"user_id":"" }) res=get_user_invocation = agent_with_tool_and_state.invoke({ "messages":。"user_id":"" }) for m in res: print) ---

  中间件层访问 Store 示范

  • `NodeStyle` 钩子通过第二个参数 `Runtime` 获取 `runtime.store`；可直接操作键值或查询日志。
    • `before_model`: 在模型调用前处理状态，例如预先从 Store 加载某些配置项。python @before_modeldef custom_node_middleware: # 可读取 runtime.store 或 state.user_id 等自定义字段 pass
  • WrapStyle 钩子通过第一个参数 ModelRequest 来访问 request.messages 和 request.runtime.store。
    • `wrap_model_call`: 用于实现“按需缓存”或者“动态修改请求”功能。python @wrap_model_calldef custom_wrap_middleware: # 对 request.messages 做增删改，接下来交给 handler 调用真正的 LLM。其实，return handler

  ​