长期记忆

长期记忆功能允许您的智能体在不同的对话和会话之间存储和调用信息。与局限于单个线程的短期记忆不同，长期记忆可以跨线程持久保存，并能随时被调用。长期记忆基于 LangGraph 存储构建，它将数据保存为 JSON 文档，并通过命名空间和键进行组织。

使用方法

要为智能体添加长期记忆，请创建一个存储实例并将其传递给 create_agent:

InMemoryStore
PostgreSQL

from langchain.agents import create_agent
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore

# InMemoryStore saves data to an in-memory dictionary. Use a DB-backed store in production use.
store = InMemoryStore()

agent: Runnable = create_agent(
    "claude-sonnet-4-6",
    tools=[],
    store=store,
)

pip install langgraph-checkpoint-postgres

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,
    )

然后，工具可以通过 runtime.store 参数对存储进行读取和写入操作。示例请参见在工具中读取长期记忆和从工具写入长期记忆。

若要深入了解记忆类型（语义记忆、情景记忆、程序记忆）以及写入记忆的策略，请参阅记忆概念指南。

记忆存储

LangGraph 将长期记忆作为 JSON 文档存储在存储中。每条记忆都通过自定义的 namespace（类似文件夹）和唯一的 key（类似文件名）进行组织。命名空间通常包含用户或组织 ID 或其他标签，以便于组织信息。这种结构支持记忆的层级化组织。同时，也支持通过内容过滤器进行跨命名空间搜索。

InMemoryStore
PostgreSQL

from collections.abc import Sequence

from langgraph.store.base import IndexConfig
from langgraph.store.memory import InMemoryStore


def embed(texts: Sequence[str]) -> list[list[float]]:
    # Replace with an actual embedding function or LangChain embeddings object
    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",
        ],
        "my-key": "my-value",
    },
)
# get the "memory" by ID
item = store.get(namespace, "a-memory")
# search for "memories" within this namespace, filtering on content equivalence, sorted by vector similarity
items = store.search(
    namespace, filter={"my-key": "my-value"}, query="language preferences"
)

from collections.abc import Sequence

from langgraph.store.base import IndexConfig
from langgraph.store.postgres import PostgresStore  # type: ignore[import-not-found]


def embed(texts: Sequence[str]) -> list[list[float]]:
    # Replace with an actual embedding function or LangChain embeddings object
    return [[1.0, 2.0] for _ in texts]


DB_URI = "postgresql://postgres:postgres@localhost:5432/postgres?sslmode=disable"

with PostgresStore.from_conn_string(
    DB_URI,
    index=IndexConfig(embed=embed, dims=2),  # type: ignore[arg-type]
) as store:
    store.setup()
    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",
        },
    )
    item = store.get(namespace, "a-memory")
    items = store.search(
        namespace, filter={"my-key": "my-value"}, query="language preferences"
    )

有关记忆存储的更多信息，请参阅持久化指南。

在工具中读取长期记忆

InMemoryStore
PostgreSQL

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore


@dataclass
class Context:
    user_id: str


# InMemoryStore 将数据保存在内存字典中。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()

# 使用 put 方法向存储写入示例数据
store.put(
    (
        "users",
    ),  # 命名空间，用于将相关数据分组在一起（用户命名空间用于用户数据）
    "user_123",  # 命名空间内的键（用户 ID 作为键）
    {
        "name": "John Smith",
        "language": "English",
    },  # 为指定用户存储的数据
)


@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    """查找用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的相同
    assert runtime.store is not None
    user_id = runtime.context.user_id
    # 从存储中检索数据 - 返回包含值和元数据的 StoreValue 对象
    user_info = runtime.store.get(("users",), user_id)
    return str(user_info.value) if user_info else "未知用户"


agent: Runnable = create_agent(
    model="google_genai:gemini-3.6-flash",
    tools=[get_user_info],
    # 将存储传递给代理 - 允许代理在运行工具时访问存储
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "查询用户信息"}]},
    context=Context(user_id="user_123"),
)

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore


@dataclass
class Context:
    user_id: str


# InMemoryStore 将数据保存在内存字典中。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()

# 使用 put 方法向存储写入示例数据
store.put(
    (
        "users",
    ),  # 命名空间，用于将相关数据分组在一起（用户命名空间用于用户数据）
    "user_123",  # 命名空间内的键（用户 ID 作为键）
    {
        "name": "John Smith",
        "language": "English",
    },  # 为指定用户存储的数据
)


@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    """查找用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的相同
    assert runtime.store is not None
    user_id = runtime.context.user_id
    # 从存储中检索数据 - 返回包含值和元数据的 StoreValue 对象
    user_info = runtime.store.get(("users",), user_id)
    return str(user_info.value) if user_info else "未知用户"


agent: Runnable = create_agent(
    model="openai:gpt-5.5",
    tools=[get_user_info],
    # 将存储传递给代理 - 允许代理在运行工具时访问存储
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "查询用户信息"}]},
    context=Context(user_id="user_123"),
)

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore


@dataclass
class Context:
    user_id: str


# InMemoryStore 将数据保存在内存字典中。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()

# 使用 put 方法向存储写入示例数据
store.put(
    (
        "users",
    ),  # 命名空间，用于将相关数据分组在一起（用户命名空间用于用户数据）
    "user_123",  # 命名空间内的键（用户 ID 作为键）
    {
        "name": "John Smith",
        "language": "English",
    },  # 为指定用户存储的数据
)


@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    """查找用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的相同
    assert runtime.store is not None
    user_id = runtime.context.user_id
    # 从存储中检索数据 - 返回包含值和元数据的 StoreValue 对象
    user_info = runtime.store.get(("users",), user_id)
    return str(user_info.value) if user_info else "未知用户"


agent: Runnable = create_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[get_user_info],
    # 将存储传递给代理 - 允许代理在运行工具时访问存储
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "查询用户信息"}]},
    context=Context(user_id="user_123"),
)

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore


@dataclass
class Context:
    user_id: str


# InMemoryStore 将数据保存在内存字典中。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()

# 使用 put 方法向存储写入示例数据
store.put(
    (
        "users",
    ),  # 命名空间，用于将相关数据分组在一起（用户命名空间用于用户数据）
    "user_123",  # 命名空间内的键（用户 ID 作为键）
    {
        "name": "John Smith",
        "language": "English",
    },  # 为指定用户存储的数据
)


@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    """查找用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的相同
    assert runtime.store is not None
    user_id = runtime.context.user_id
    # 从存储中检索数据 - 返回包含值和元数据的 StoreValue 对象
    user_info = runtime.store.get(("users",), user_id)
    return str(user_info.value) if user_info else "未知用户"


agent: Runnable = create_agent(
    model="openrouter:z-ai/glm-5.2",
    tools=[get_user_info],
    # 将存储传递给代理 - 允许代理在运行工具时访问存储
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "查询用户信息"}]},
    context=Context(user_id="user_123"),
)

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore


@dataclass
class Context:
    user_id: str


# InMemoryStore 将数据保存在内存字典中。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()

# 使用 put 方法向存储写入示例数据
store.put(
    (
        "users",
    ),  # 命名空间，用于将相关数据分组在一起（用户命名空间用于用户数据）
    "user_123",  # 命名空间内的键（用户 ID 作为键）
    {
        "name": "John Smith",
        "language": "English",
    },  # 为指定用户存储的数据
)


@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    """查找用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的相同
    assert runtime.store is not None
    user_id = runtime.context.user_id
    # 从存储中检索数据 - 返回包含值和元数据的 StoreValue 对象
    user_info = runtime.store.get(("users",), user_id)
    return str(user_info.value) if user_info else "未知用户"


agent: Runnable = create_agent(
    model="fireworks:accounts/fireworks/models/glm-5p2",
    tools=[get_user_info],
    # 将存储传递给代理 - 允许代理在运行工具时访问存储
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "查询用户信息"}]},
    context=Context(user_id="user_123"),
)

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore


@dataclass
class Context:
    user_id: str


# InMemoryStore 将数据保存在内存字典中。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()

# 使用 put 方法向存储写入示例数据
store.put(
    (
        "users",
    ),  # 命名空间，用于将相关数据分组在一起（用户命名空间用于用户数据）
    "user_123",  # 命名空间内的键（用户 ID 作为键）
    {
        "name": "John Smith",
        "language": "English",
    },  # 为指定用户存储的数据
)


@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    """查找用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的相同
    assert runtime.store is not None
    user_id = runtime.context.user_id
    # 从存储中检索数据 - 返回包含值和元数据的 StoreValue 对象
    user_info = runtime.store.get(("users",), user_id)
    return str(user_info.value) if user_info else "未知用户"


agent: Runnable = create_agent(
    model="baseten:zai-org/GLM-5.2",
    tools=[get_user_info],
    # 将存储传递给代理 - 允许代理在运行工具时访问存储
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "查询用户信息"}]},
    context=Context(user_id="user_123"),
)

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore


@dataclass
class Context:
    user_id: str


# InMemoryStore 将数据保存在内存字典中。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()

# 使用 put 方法向存储写入示例数据
store.put(
    (
        "users",
    ),  # 命名空间，用于将相关数据分组在一起（用户命名空间用于用户数据）
    "user_123",  # 命名空间内的键（用户 ID 作为键）
    {
        "name": "John Smith",
        "language": "English",
    },  # 为指定用户存储的数据
)


@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    """查找用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的相同
    assert runtime.store is not None
    user_id = runtime.context.user_id
    # 从存储中检索数据 - 返回包含值和元数据的 StoreValue 对象
    user_info = runtime.store.get(("users",), user_id)
    return str(user_info.value) if user_info else "未知用户"


agent: Runnable = create_agent(
    model="ollama:north-mini-code-1.0",
    tools=[get_user_info],
    # 将存储传递给代理 - 允许代理在运行工具时访问存储
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "查询用户信息"}]},
    context=Context(user_id="user_123"),
)

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.postgres import PostgresStore  # type: ignore[import-not-found]


@dataclass
class Context:
    user_id: str


DB_URI = "postgresql://postgres:postgres@localhost:5432/postgres?sslmode=disable"

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
        user_info = runtime.store.get(("users",), runtime.context.user_id)
        return str(user_info.value) if user_info else "Unknown user"

    agent: Runnable = create_agent(
        "claude-sonnet-4-6",
        tools=[get_user_info],
        store=store,
        context_schema=Context,
    )

    result = agent.invoke(
        {"messages": [{"role": "user", "content": "look up user information"}]},
        context=Context(user_id="user_123"),
    )

从工具写入长期记忆

InMemoryStore
PostgreSQL

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore
from typing_extensions import TypedDict

# InMemoryStore 将数据保存在内存中的字典里。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()


@dataclass
class Context:
    user_id: str


# TypedDict 定义了 LLM 所需的用户信息结构
class UserInfo(TypedDict):
    name: str


# 允许代理更新用户信息的工具（适用于聊天应用）
@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """保存用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的是同一个
    assert runtime.store is not None
    store = runtime.store
    user_id = runtime.context.user_id
    # 将数据存储在存储中（命名空间，键，数据）
    store.put(("users",), user_id, dict(user_info))
    return "用户信息保存成功。"


agent: Runnable = create_agent(
    model="google_genai:gemini-3.6-flash",
    tools=[save_user_info],
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "我的名字是 John Smith"}]},
    # user_id 通过上下文传入，用于标识正在更新谁的信息
    context=Context(user_id="user_123"),
)

# 您可以直接访问存储来获取值
item = store.get(("users",), "user_123")

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore
from typing_extensions import TypedDict

# InMemoryStore 将数据保存在内存中的字典里。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()


@dataclass
class Context:
    user_id: str


# TypedDict 定义了 LLM 所需的用户信息结构
class UserInfo(TypedDict):
    name: str


# 允许代理更新用户信息的工具（适用于聊天应用）
@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """保存用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的是同一个
    assert runtime.store is not None
    store = runtime.store
    user_id = runtime.context.user_id
    # 将数据存储在存储中（命名空间，键，数据）
    store.put(("users",), user_id, dict(user_info))
    return "用户信息保存成功。"


agent: Runnable = create_agent(
    model="openai:gpt-5.5",
    tools=[save_user_info],
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "我的名字是 John Smith"}]},
    # user_id 通过上下文传入，用于标识正在更新谁的信息
    context=Context(user_id="user_123"),
)

# 您可以直接访问存储来获取值
item = store.get(("users",), "user_123")

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore
from typing_extensions import TypedDict

# InMemoryStore 将数据保存在内存中的字典里。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()


@dataclass
class Context:
    user_id: str


# TypedDict 定义了 LLM 所需的用户信息结构
class UserInfo(TypedDict):
    name: str


# 允许代理更新用户信息的工具（适用于聊天应用）
@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """保存用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的是同一个
    assert runtime.store is not None
    store = runtime.store
    user_id = runtime.context.user_id
    # 将数据存储在存储中（命名空间，键，数据）
    store.put(("users",), user_id, dict(user_info))
    return "用户信息保存成功。"


agent: Runnable = create_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[save_user_info],
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "我的名字是 John Smith"}]},
    # user_id 通过上下文传入，用于标识正在更新谁的信息
    context=Context(user_id="user_123"),
)

# 您可以直接访问存储来获取值
item = store.get(("users",), "user_123")

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore
from typing_extensions import TypedDict

# InMemoryStore 将数据保存在内存中的字典里。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()


@dataclass
class Context:
    user_id: str


# TypedDict 定义了 LLM 所需的用户信息结构
class UserInfo(TypedDict):
    name: str


# 允许代理更新用户信息的工具（适用于聊天应用）
@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """保存用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的是同一个
    assert runtime.store is not None
    store = runtime.store
    user_id = runtime.context.user_id
    # 将数据存储在存储中（命名空间，键，数据）
    store.put(("users",), user_id, dict(user_info))
    return "用户信息保存成功。"


agent: Runnable = create_agent(
    model="openrouter:z-ai/glm-5.2",
    tools=[save_user_info],
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "我的名字是 John Smith"}]},
    # user_id 通过上下文传入，用于标识正在更新谁的信息
    context=Context(user_id="user_123"),
)

# 您可以直接访问存储来获取值
item = store.get(("users",), "user_123")

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore
from typing_extensions import TypedDict

# InMemoryStore 将数据保存在内存中的字典里。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()


@dataclass
class Context:
    user_id: str


# TypedDict 定义了 LLM 所需的用户信息结构
class UserInfo(TypedDict):
    name: str


# 允许代理更新用户信息的工具（适用于聊天应用）
@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """保存用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的是同一个
    assert runtime.store is not None
    store = runtime.store
    user_id = runtime.context.user_id
    # 将数据存储在存储中（命名空间，键，数据）
    store.put(("users",), user_id, dict(user_info))
    return "用户信息保存成功。"


agent: Runnable = create_agent(
    model="fireworks:accounts/fireworks/models/glm-5p2",
    tools=[save_user_info],
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "我的名字是 John Smith"}]},
    # user_id 通过上下文传入，用于标识正在更新谁的信息
    context=Context(user_id="user_123"),
)

# 您可以直接访问存储来获取值
item = store.get(("users",), "user_123")

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore
from typing_extensions import TypedDict

# InMemoryStore 将数据保存在内存中的字典里。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()


@dataclass
class Context:
    user_id: str


# TypedDict 定义了 LLM 所需的用户信息结构
class UserInfo(TypedDict):
    name: str


# 允许代理更新用户信息的工具（适用于聊天应用）
@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """保存用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的是同一个
    assert runtime.store is not None
    store = runtime.store
    user_id = runtime.context.user_id
    # 将数据存储在存储中（命名空间，键，数据）
    store.put(("users",), user_id, dict(user_info))
    return "用户信息保存成功。"


agent: Runnable = create_agent(
    model="baseten:zai-org/GLM-5.2",
    tools=[save_user_info],
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "我的名字是 John Smith"}]},
    # user_id 通过上下文传入，用于标识正在更新谁的信息
    context=Context(user_id="user_123"),
)

# 您可以直接访问存储来获取值
item = store.get(("users",), "user_123")

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.memory import InMemoryStore
from typing_extensions import TypedDict

# InMemoryStore 将数据保存在内存中的字典里。在生产环境中请使用数据库支持的存储。
store = InMemoryStore()


@dataclass
class Context:
    user_id: str


# TypedDict 定义了 LLM 所需的用户信息结构
class UserInfo(TypedDict):
    name: str


# 允许代理更新用户信息的工具（适用于聊天应用）
@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """保存用户信息。"""
    # 访问存储 - 与提供给 `create_agent` 的是同一个
    assert runtime.store is not None
    store = runtime.store
    user_id = runtime.context.user_id
    # 将数据存储在存储中（命名空间，键，数据）
    store.put(("users",), user_id, dict(user_info))
    return "用户信息保存成功。"


agent: Runnable = create_agent(
    model="ollama:north-mini-code-1.0",
    tools=[save_user_info],
    store=store,
    context_schema=Context,
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "我的名字是 John Smith"}]},
    # user_id 通过上下文传入，用于标识正在更新谁的信息
    context=Context(user_id="user_123"),
)

# 您可以直接访问存储来获取值
item = store.get(("users",), "user_123")

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langchain_core.runnables import Runnable
from langgraph.store.postgres import PostgresStore  # type: ignore[import-not-found]
from typing_extensions import TypedDict


@dataclass
class Context:
    user_id: str


class UserInfo(TypedDict):
    name: str


@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """Save user info."""
    assert runtime.store is not None
    runtime.store.put(("users",), runtime.context.user_id, dict(user_info))
    return "Successfully saved user info."


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=[save_user_info],
        store=store,
        context_schema=Context,
    )

    agent.invoke(
        {"messages": [{"role": "user", "content": "My name is John Smith"}]},
        context=Context(user_id="user_123"),
    )

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.

Edit this page on GitHub or file an issue.

Get started

Core components

Middleware

Frontend

Advanced usage

Agent development

Production

使用方法

记忆存储

在工具中读取长期记忆

从工具写入长期记忆

​使用方法

​记忆存储

​在工具中读取长期记忆

​从工具写入长期记忆

使用方法

记忆存储

在工具中读取长期记忆

从工具写入长期记忆