从“数据在系统中如何存在和流动”的视角，将他们分为三个层级来理解：
宏观概念层：Memory（记忆）；
架构实现层：State（状态）、Store（存储）、Context（上下文）；
运行环境层：Runtime（运行时）；
1、宏观概念：Memory（记忆）
Memory不是一个具体的类，而是一个功能目标。它的目的是让AI“记住”过去的事情。在Langchain/LangGraph中，记忆被拆分为两个具体的维度：
-
Short-term Memory****（短期记忆）
本质：当前的对话流；
作用：让AI知道你前面说了什么，该怎么回复你；
实现：通常就是
state中的messages列表；局限：受限于LLM的上下文窗口（Context window），对话太长会被截断或遗忘；
-
Long-term Memory（****长期记忆****）
本质：跨会话的知识库；
作用：让AI记住你的偏好（如旅行住宿偏好民宿）、用户信息，在本地/云端储存，可跨会话重复读取；
实现：通过
Store（如向量数据库，postgres）；
from langchain.tools import tool, ToolRuntime
from langchain.messages import HumanMessage
from langgraph.types import Command
@tool
def get_last_user_message(runtime: ToolRuntime) -> str:
"""Get the most recent message from the user."""
messages = runtime.state["messages"]
# Find the last human message
for message in reversed(messages):
if isinstance(message, HumanMessage):
return message.content
return "No user messages found"
# Access custom state fields
@tool
def get_user_preference(
pref_name: str,
runtime: ToolRuntime
) -> str:
"""Get a user preference value."""
preferences = runtime.state.get("user_preferences", {})
return preferences.get(pref_name, "Not set")
@tool
def set_user_name(new_name: str) -> Command:
"""Set the user's name in the conversation state."""
return Command(update={"user_name": new_name})
2、架构实现：State，Store，Context
这是Langchain/LangGraph 1.x中最核心的数据结构，决定了数据怎么流转。
State（状态）——“短期记忆的容器”
定义：它是智能体在当前这一轮会话中所有信息的集合。
-
特点：
易失性：对话结束，State就销毁（除非通过checkpointer落盘）；
结构：通常是一个TypeDict或Pydantic Model，
AgentState或继承自AgentState，核心内容：包含
messages（聊天记录），也可以包含自定义字段（如user_type）；
Store（储存）——“****长期记忆****的硬盘”
定义：它是跨对话、持久化的数据储存空间；
-
特点：
持久性：数据存在数据库（如Postgres，SQLite）里，服务重启也不丢。包含两个重要的部分
namespace和key；共享性：不同的会话（Thread）可以访问同一个Store，通过
namespace和key来读取指定内容；操作：通过
store.put()和store.get()主动读写，通过namespace和key来写入特定空间；
from typing import Any
from langgraph.store.memory import InMemoryStore
from langchain.agents import create_agent
from langchain.tools import tool, ToolRuntime
from langchain_openai import ChatOpenAI
# Access memory
@tool
def get_user_info(user_id: str, runtime: ToolRuntime) -> str:
"""Look up user info."""
store = runtime.store
user_info = store.get(("users",), user_id)
return str(user_info.value) if user_info else "Unknown user"
# Update memory
@tool
def save_user_info(user_id: str, user_info: dict[str, Any], runtime: ToolRuntime) -> str:
"""Save user info."""
store = runtime.store
store.put(("users",), user_id, user_info)
return "Successfully saved user info."
model = ChatOpenAI(model="gpt-4.1")
store = InMemoryStore()
agent = create_agent(
model,
tools=[get_user_info, save_user_info],
store=store
)
# First session: save user info
agent.invoke({
"messages": [{"role": "user", "content": "Save the following user: userid: abc123, name: Foo, age: 25, email: foo@langchain.dev"}]
})
# Second session: get user info
agent.invoke({
"messages": [{"role": "user", "content": "Get user info for user with id 'abc123'"}]
})
# Here is the user info for user with ID "abc123":
# - Name: Foo
# - Age: 25
# - Email: foo@langchain.dev
Context（上下文）——“单次调用的参数包”
定义：你在调用Agent（
agent.invoke(...)）时，临时传入的外部参数；-
特点：
只读****/临时：只在本次
invoke调用中有效，用完即弃；用途：传递一些不需要存入State/Store的信息（无状态信息），如
user_id；实现：通过
context=xxx进行配置；
from dataclasses import dataclass
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain.tools import tool, ToolRuntime
USER_DATABASE = {
"user123": {
"name": "Alice Johnson",
"account_type": "Premium",
"balance": 5000,
"email": "alice@example.com"
},
"user456": {
"name": "Bob Smith",
"account_type": "Standard",
"balance": 1200,
"email": "bob@example.com"
}
}
@dataclass
class UserContext:
user_id: str
@tool
def get_account_info(runtime: ToolRuntime[UserContext]) -> str:
"""Get the current user's account information."""
user_id = runtime.context.user_id
if user_id in USER_DATABASE:
user = USER_DATABASE[user_id]
return f"Account holder: {user['name']}\nType: {user['account_type']}\nBalance: ${user['balance']}"
return "User not found"
model = ChatOpenAI(model="gpt-4.1")
agent = create_agent(
model,
tools=[get_account_info],
context_schema=UserContext,
system_prompt="You are a financial assistant."
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "What's my current balance?"}]},
context=UserContext(user_id="user123")
)
3、运行环境：Runtime
Runtime是LangGraph在执行节点（Node）时提供的一个环境对象。
定义：当Agent在执行某个工具或节点时，它能拿到的“工具箱”。
-
包含内容：
runtime.state：让工具能够访问短期记忆；runtime.store：让工具能访问长期记忆；runtime.context：让工具能读取本次调用的临时参数（如user_id）；
作用：它是链接“代码逻辑”与“外部数据”的桥梁。
