LangChain Sitzungsübergreifender Speicher — Store

Checkpointer löst das Problem des "Gedächtnisses innerhalb einer einzelnen Konversation." Wenn du jedoch Daten über verschiedene Konversationen hinweg teilen musst – wie Benutzereinstellungen oder Lernfortschritt –, musst duStore verwenden。


Checkpointer vs. Store

DimensionCheckpointerStore
GeltungsbereichEinzelner Konversations-Thread (thread_id)Über alle Konversations-Threads hinweg
DatentypAgent-Status-Snapshot (automatisch verwaltet)Beliebige Schlüssel-Wert-Daten (manuell verwaltet)
Typische AnwendungsfälleMulti-Turn-KonversationsgedächtnisBenutzereinstellungen, Wissensdatenbank, Konfiguration
Datenorganisationthread_id → checkpoint(namespace, key) → value

Grundlegende Store-Operationen

Store-NutzungNamespace + keyzum Organisieren von Daten in einer hierarchischen Struktur:

Beispiel

from langgraph.store.memory import InMemoryStore

store = InMemoryStore()

# Daten schreiben: put(namespace, key, value)
# namespace ist ein Tupel, key ist ein String, value ist ein Dictionary
store.put(
    ("users", "user_001"),           # Namensraum
    "preferences",                    # Schlüssel
    {                                 # Wert
        "theme": "dark",
        "language": "zh-CN",
        "level": "Anfänger",
    }
)

store.put(
    ("users", "user_001"),
    "progress",
    {
        "completed_courses": ["HTML Basics", "Python Basics"],
        "total_hours": 35,
    }
)

# Daten lesen: get(namespace, key)
prefs = store.get(("users", "user_001"), "preferences")
print(f"Präferenzen: {prefs.value}")

progress = store.get(("users", "user_001"), "progress")
print(f"Lernfortschritt: {progress.value}")

# Daten suchen: search(namespace)
all_user_data = store.search(("users", "user_001"))
print(f"\n"Alle Benutzerdaten ({len(all_user_data)} Elemente):")
for item in all_user_data:
    print(f" {item.key}: {item.value}")

# Daten löschen: delete(namespace, key)
store.delete(("users", "user_001"), "preferences")
deleted = store.get(("users", "user_001"), "preferences")
print(f"\n"Nach dem Löschen: {deleted}")  # None

Ausgabe:

Preferences: {'theme': 'dark', 'language': 'zh-CN', 'level': '入门'}
Learning progress: {'completed_courses': ['HTML 基础', 'Python 基础'], 'total_hours': 35}

用户的所有数据 (2 项):
  preferences: {'theme': 'dark', 'language': 'zh-CN', 'level': '入门'}
  progress: {'completed_courses': ['HTML 基础', 'Python 基础'], 'total_hours': 35}

After deletion: None

Store in einem Agenten verwenden

Übergeben Sie Store an create_agent(), und alle Tools im Agent können über InjectedStore darauf zugreifen:

Beispiel

from dotenv import load_dotenv
load_dotenv()

from typing import Annotated
from langgraph.store.base import BaseStore
from langgraph.store.memory import InMemoryStore
from langchain.tools import tool, InjectedStore
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage

# Store erstellen und Daten vorbelegen
store = InMemoryStore()
store.put(("example", "courses"), "catalog", {
    "Python3 Grundlagen-Tutorial": {"price": "Kostenlos", "hours": 20, "level": "Anfänger"},
    "Python Datenanalyse": {"price": "Mitglied", "hours": 30, "level": "Fortgeschritten"},
    "Java Objektorientiert": {"price": "Kostenlos", "hours": 25, "level": "Fortgeschritten"},
})

store.put(("example", "users"), "user_vip_001", {
    "name": "Xiao Ming",
    "membership": "VIP",
    "beigetreten": "2024-01-15",
})


@tool
def query_course_info(
    course_name: str,
    store: Annotated[BaseStore, InjectedStore()],
) -> str:
    """Detaillierte Informationen zu Kursen auf der EXAMPLE-Tutorial-Website abfragen.

    Argumente:
course_name: Kursname
    """

    item = store.get(("example", "courses"), "catalog")
    catalog = item.value if item else {}

    if course_name in catalog:
        info = catalog[course_name]
        return (
            f"《{course_name}》 - Preis: {info['price']},"
            f"Dauer: {info['hours']} Stunden, Schwierigkeit: {info['level']}"
        )
    return f"Kurs 《{course_name}》 nicht gefunden"


@tool
def get_user_membership(
    user_id: str,
    store: Annotated[BaseStore, InjectedStore()],
) -> str:
    """Informationen zur Benutzermitgliedschaft abfragen.

    Argumente:
user_id: Benutzer-ID
    """

    item = store.get(("example", "users"), user_id)
    if item is None:
        return f"Benutzer {user_id} nicht gefunden"

    user = item.value
    return (
        f"Benutzer {user['name']}, {user['membership']}-Mitglied,"
        f"Registrierungsdatum {user['joined']}"
    )


model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
    model=model,
    tools=[query_course_info, get_user_membership],
    store=store,
    system_prompt="Du bist der Kursberater für EXAMPLE.",
)

# Kursinformationen abfragen (Daten stammen aus dem Store)
result = agent.invoke({
    "messages": [HumanMessage(content="Wie viel kostet das Python3 Basics Tutorial?")]
})
print(f"Kursabfrage: {result['messages'][-1].content}")

# Benutzerinformationen abfragen (Daten stammen aus dem Store)
result = agent.invoke({
    "messages": [HumanMessage(content="Hilf mir, Informationen für den Benutzer user_vip_001 nachzuschlagen")]
})
print(f"Benutzerabfrage: {result['messages'][-1].content}")

Ausgabe:

Course query: 《Python3 基础教程》是免费的,学习时长约20小时,难度为入门级别。
User query: 用户小明是 VIP 会员,注册日期为 2024年1月15日。

Store-Persistenz

InMemoryStore-Daten gehen nach einem Programmneustart verloren. Für Produktionsumgebungen können Sie persistente Lösungen wie PostgresStore verwenden:

Beispiel

# Entwicklungsphase
from langgraph.store.memory import InMemoryStore
store = InMemoryStore()

# Produktionsumgebung (erfordert PostgreSQL)
# from langgraph.store.postgres import PostgresStore
# store = PostgresStore.from_conn_string("postgresql://...")

Empfehlungen zur Store-Nutzung

SzenarioNamespace-BeispielKey-BeispielBeschreibung
Benutzereinstellungen("users", user_id)preferencesDesign, Sprache, Benachrichtigungseinstellungen
Lernfortschritt("users", user_id)FortschrittAbgeschlossene Kurse, Lerndauer
Wissensdatenbank("kb", collection)doc_idDokumente, FAQ, Produktinformationen
Konversationszusammenfassungen("sessions", thread_id)summaryZusammenfassungen langer Konversationen, zur Verwendung in Szenarien über Checkpointer hinaus

Checkpointer ist dafür verantwortlich, „wo die Konversation ist“, und Store ist dafür verantwortlich, „wer der Benutzer ist, was er weiß und was er mag.“ Nur durch die gemeinsame Nutzung beider kann man einen intelligenten Agenten mit persistentem Gedächtnis erstellen.

Weitere Erweiterungen