1. 长期记忆到底是什么？

短期记忆解决“这轮对话怎么接上”。长期记忆解决“这个用户下次再来，我还认不认识他”。

在 LangChain / LangGraph 里，短期记忆通常跟 thread 绑定；长期记忆放在 Store 里，按 namespace 和 key 组织。换一个 thread_id，长期记忆仍然可以被召回。

一句话：messages 是工作台，Store 是档案柜。

2. Store：长期记忆真正落地的地方

LangGraph 的 Store 把长期记忆保存成 JSON 文档。每条记忆都有 namespace、key、value 和元数据。

namespace 像文件夹。key 像文件名。value 才是真正的记忆内容。

开发环境可以用 InMemoryStore。生产环境建议用数据库型 Store，例如 PostgresStore，或者平台托管 Store。InMemoryStore 重启就丢，不适合生产。

3. 什么该记？什么不该记？

长期记忆不是把聊天记录永久保存。那叫日志，不叫记忆。

真正该记的是稳定、可复用、对后续任务有价值的信息。

该记：用户偏好、语言风格、业务画像、明确事实、长期任务经验。

不该记：一次性上下文、验证码、隐私敏感信息、模型推测、未经确认的结论。

4. 三种长期记忆：Semantic、Episodic、Procedural

4.1 Semantic Memory：事实记忆

记事实。比如：用户偏好中文、喜欢短句、关注 A 股短线、风险承受能力低。

这是最常见的长期记忆。它通常用于个性化回答。

4.2 Episodic Memory：经验记忆

记经历。比如：上次这个用户投诉物流，最后转人工解决；上次某个策略执行失败。

它常用于“下次别再犯同样的错”。

4.3 Procedural Memory：规则记忆

记行为规则。比如：金融场景必须提示风险；客服回答先确认订单号；输出永远简短。

它更像长期 Prompt 或策略配置。

5. LangChain 怎么把 Store 注入 Agent？

核心只有两步。第一步，创建 Agent 时传入 store。第二步，工具函数里通过 ToolRuntime 访问 runtime.store。

from dataclasses import dataclass
from langchain.agents import create_agent
from langchain.tools import ToolRuntime, tool
from langgraph.store.memory import InMemoryStore
@dataclass
class Context:
user_id: str
store = InMemoryStore()
@tool
def save_user_profile(profile: dict, runtime: ToolRuntime[Context]) -> str:
user_id = runtime.context.user_id
runtime.store.put(("users",), user_id, profile)
return "saved"
agent = create_agent(
model="openai:gpt-4o-mini",
tools=[save_user_profile],
store=store,
context_schema=Context,
)

这段代码的重点不是模型，也不是工具名。重点是 runtime.store。它就是长期记忆的入口。

6. 从 create_agent 到 BaseStore

把源码链路压缩后，就是下面这条线。

6.1 create_agent(..., store=store)

create_agent 会把 store 挂到 Agent 运行时。Agent 执行工具时，ToolNode 会从运行时拿到 store，再封装进 ToolRuntime。

6.2 ToolNode 构造 ToolRuntime

ToolNode 执行工具前，会解析模型返回的 tool_calls。然后为每个工具调用构造 ToolRuntime。这个对象里包含 state、context、store、tool_call_id、stream_writer 等。

所以工具函数不需要自己查全局变量，也不需要自己找用户上下文。runtime 里已经带好了。

6.3 BaseStore 是统一接口

BaseStore 不是某个数据库。它是接口。真正存到哪里，取决于你用 InMemoryStore、PostgresStore，还是平台 Store。

源码里，get/search/put 并不直接落库，而是包装成 GetOp、SearchOp、PutOp，再交给 batch()。具体 Store 实现 batch()。

# 源码逻辑可以压缩理解成这样：

store.get(namespace, key)
-> batch([GetOp(namespace, key)])
store.search(namespace, query=..., filter=...)
-> batch([SearchOp(namespace, query, filter)])
store.put(namespace, key, value, index=...)
-> batch([PutOp(namespace, key, value, index)])

6.4 Item 和 SearchItem

store.get 返回 Item。Item 里有 value、key、namespace、created_at、updated_at。

store.search 返回 SearchItem 列表。SearchItem 比 Item 多一个 score，用来表示相关性。

7. 写记忆：在线写，还是后台写？

写长期记忆有两种方式。

7.1 Hot Path：在线写

用户说“以后都用中文回答我”。Agent 当场调用 save_user_profile。下一句话马上生效。

优点是及时。缺点是慢，而且容易把模型的误判写进长期记忆。

7.2 Background：后台写

主流程先回答。回答结束后，后台任务抽取稳定事实，再写入 Store。

优点是主链路更快。缺点是记忆不是马上生效。

企业项目更推荐：重要偏好在线写；普通画像后台写；敏感信息不自动写。

8. 读记忆：get、search、filter

读记忆也不要复杂化。常见就三种。

8.1 get：精确读取

你知道用户 ID，也知道要读用户画像，就用 get。

item = runtime.store.get(("users",), runtime.context.user_id)
profile = item.value if item else {}

8.2 search：语义搜索

你不知道具体 key，只知道当前问题需要找相关历史偏好，就用 search。

items = runtime.store.search(
(runtime.context.user_id, "memories"),
query="用户喜欢什么回答风格",
limit=3,
)

8.3 filter：结构化过滤

你只想查某个业务、某个类型、某个租户的数据，就加 filter。

items = runtime.store.search(
("tenant_001", "users"),
filter={"type": "preference", "status": "active"},
limit=5,
)

9. 企业级架构：记忆必须被业务系统管住

长期记忆不能只放在 AI 服务里自嗨。它要接入账号体系、租户体系、权限体系、审计体系。

推荐架构：Spring Boot 管用户、权限、审计；Python AI 服务管 Agent、Tools、Memory；Store 管长期记忆；数据库管持久化和删除。

Agent 可以建议保存记忆，但最终要经过业务规则。尤其是金融、医疗、客服、企业内部系统。

10. 长期记忆最容易踩的坑

最常见的错误，是把 thread_id 当 user_id。thread_id 是会话线程。user_id 是用户身份。两个概念不能混。

第二个错误，是把所有消息都塞进 Store。长期记忆应该是提炼后的事实，不是原始流水账。

第三个错误，是没有删除能力。用户说“不要再记住这个”，系统必须能删。

11. 总结

长期记忆的核心不是“存”。而是“存什么、怎么存、什么时候召回、谁能删除”。

LangChain / LangGraph 给你的不是一个神秘记忆魔法，而是一套清晰的工程接口：Store、namespace、key、value、runtime.store、BaseStore。

记住最后这句话：短期记忆让对话不断片；长期记忆让 Agent 真正认识用户。

---

内容来源：《LangChain 系列》Long-term Memory：跨会话如何记住用户偏好？：功能变化与行业影响解析_热闻岛