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～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】