Skip to main content
本指南介绍如何为部署的跨线程存储添加语义搜索，使您的代理能够通过语义相似性搜索记忆和其他文档。

​
前提条件

  • 一个部署（参考如何设置应用进行部署）以及关于托管选项的详细信息。
  • 您的嵌入提供商（本例中为 OpenAI）的 API 密钥。
  • langchain >= 0.3.8（如果您使用下面指定的字符串格式）。

​
步骤

  1. 更新您的 langgraph.json 配置文件以包含存储配置：
{
    ...
    "store": {
        "index": {
            "embed": "openai:text-embedding-3-small",
            "dims": 1536,
            "fields": ["$"]
        }
    }
}
此配置：
  • 使用 OpenAI 的 text-embedding-3-small 模型生成嵌入
  • 将嵌入维度设置为 1536（与模型的输出匹配）
  • 索引存储数据中的所有字段（["$"] 表示索引所有内容，或指定特定字段如 ["text", "metadata.title"]）
每个部署支持单个嵌入模型。不支持配置多个嵌入模型，因为这会导致 /store 端点出现歧义并引起混合索引问题。
  1. 要使用上述字符串嵌入格式，请确保您的依赖项包含 langchain >= 0.3.8：
# 在 pyproject.toml 中
[project]
dependencies = [
    "langchain>=0.3.8"
]
或者如果使用 requirements.txt： 
langchain>=0.3.8

​
用法

配置完成后，您可以在节点中使用语义搜索。存储需要一个命名空间元组来组织记忆： 
async def search_memory(state: State, *, store: BaseStore):
    # 使用语义相似性搜索存储
    # 命名空间元组有助于组织不同类型的记忆
    # 例如，("user_facts", "preferences") 或 ("conversation", "summaries")
    results = await store.asearch(
        namespace=("memory", "facts"),  # 按类型组织记忆
        query="your search query",
        limit=3  # 返回的结果数量
    )
    return results
每个结果是一个 SearchItem（扩展了 Item，并添加了额外的 score 字段）。当配置了语义搜索时，score 包含相似度分数： 
results[0].key       # "07e0caf4-1631-47b7-b15f-65515d4c1843"
results[0].value     # {"text": "User prefers dark mode"}
results[0].namespace # ("memory", "facts")
results[0].score     # 0.92 (相似度分数，配置语义搜索时存在)

​
更改您的嵌入模型

更改嵌入模型或维度需要重新嵌入所有现有数据。目前没有为此提供自动迁移工具。如果需要切换模型，请相应地进行规划。

​
自定义嵌入

如果您想使用自定义嵌入，可以传递自定义嵌入函数的路径： 
{
    ...
    "store": {
        "index": {
            "embed": "path/to/embedding_function.py:embed",
            "dims": 1536,
            "fields": ["$"]
        }
    }
}
部署将在指定路径中查找该函数。该函数必须是异步的，并接受一个字符串列表： 
# path/to/embedding_function.py
from openai import AsyncOpenAI

client = AsyncOpenAI()

async def aembed_texts(texts: list[str]) -> list[list[float]]:
    """自定义嵌入函数必须：
    1. 是异步的
    2. 接受一个字符串列表
    3. 返回一个浮点数数组（嵌入）列表
    """
    response = await client.embeddings.create(
        model="text-embedding-3-small",
        input=texts
    )
    return [e.embedding for e in response.data]

​
通过 API 查询

您也可以使用 LangGraph SDK 查询存储。由于 SDK 使用异步操作： 
from langgraph_sdk import get_client

async def search_store():
    client = get_client()
    results = await client.store.search_items(
        ("memory", "facts"),
        query="your search query",
        limit=3  # 返回的结果数量
    )
    return results

# 在异步上下文中使用
results = await search_store()
当配置了语义搜索时，每个结果项都包含一个 score 字段： 
results["items"][0]["key"]       # "07e0caf4-1631-47b7-b15f-65515d4c1843"
results["items"][0]["value"]     # {"text": "User prefers dark mode"}
results["items"][0]["namespace"] # ["memory", "facts"]
results["items"][0]["score"]     # 0.92 (相似度分数)
将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。