持久性

LangGraph 拥有一个内置的持久化层，它将图状态保存为检查点。当你使用检查器编译图时，执行过程中的每一步都会保存图状态的快照，并按线程组织。这支持人机协作工作流、对话记忆、时间旅行调试和容错执行。

Agent Server 自动处理检查点 当使用 Agent Server 时，你不需要手动实现或配置检查器。服务器在后台为你处理所有持久化基础设施。

为什么使用持久性

以下功能需要持久性：

人机协作：检查器通过允许人类检查、中断和批准图步骤来促进人机协作工作流。这些工作流需要检查器，因为人必须能够在任何时间点查看图的状态，并且图必须能够在人对状态进行任何更新后恢复执行。有关示例，请参阅中断。
记忆：检查器允许在交互之间保留 “记忆”。在重复的人类交互（如对话）的情况下，任何后续消息都可以发送到该线程，该线程将保留对之前消息的记忆。有关如何使用检查器添加和管理对话记忆的信息，请参阅添加记忆。
时间旅行：检查器允许 “时间旅行”，允许用户重播之前的图执行以审查和/或调试特定的图步骤。此外，检查器使得在任意检查点分叉图状态以探索替代轨迹成为可能。
容错：检查点提供容错和错误恢复：如果某个超级步骤中一个或多个节点失败，你可以从最后一个成功步骤重新启动图。

待处理的写入：当图节点在给定超级步骤的执行过程中失败时，LangGraph 会存储该超级步骤中任何其他成功完成的节点的待处理检查点写入。当你从该超级步骤恢复图执行时，你不会重新运行成功的节点。

核心概念

线程

线程是检查器保存的每个检查点分配的唯一 ID 或线程标识符。它包含一系列运行的累积状态。当运行被执行时，助手底层图的状态将被持久化到线程中。调用带有检查器的图时，你必须在配置的 configurable 部分指定 thread_id：

{"configurable": {"thread_id": "1"}}

可以检索线程的当前和历史状态。要持久化状态，必须在执行运行之前创建线程。LangSmith API 提供了几个用于创建和管理线程和线程状态的端点。有关更多详细信息，请参阅 API 参考。检查器使用 thread_id 作为存储和检索检查点的主键。如果没有它，检查器无法保存状态或在中断后恢复执行，因为检查器使用 thread_id 来加载保存的状态。

检查点

线程在特定时间点的状态称为检查点。检查点是每个超级步骤保存的图状态快照，由 StateSnapshot 对象表示（有关完整字段参考，请参阅 StateSnapshot 字段）。

超级步骤

LangGraph 在每个 超级步骤 边界创建检查点。超级步骤是图的单个“滴答”，其中为该步骤调度的所有节点执行（可能并行）。对于像 START -> A -> B -> END 这样的顺序图，输入、节点 A 和节点 B 有单独的超级步骤——每个之后生成一个检查点。理解超级步骤边界对于时间旅行很重要，因为你只能从检查点（即超级步骤边界）恢复执行。检查点被持久化并可用于稍后恢复线程的状态。让我们看看当简单图按如下方式调用时会保存哪些检查点：

from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import InMemorySaver
from langchain_core.runnables import RunnableConfig
from typing import Annotated
from typing_extensions import TypedDict
from operator import add

class State(TypedDict):
    foo: str
    bar: Annotated[list[str], add]

def node_a(state: State):
    return {"foo": "a", "bar": ["a"]}

def node_b(state: State):
    return {"foo": "b", "bar": ["b"]}


workflow = StateGraph(State)
workflow.add_node(node_a)
workflow.add_node(node_b)
workflow.add_edge(START, "node_a")
workflow.add_edge("node_a", "node_b")
workflow.add_edge("node_b", END)

checkpointer = InMemorySaver()
graph = workflow.compile(checkpointer=checkpointer)

config: RunnableConfig = {"configurable": {"thread_id": "1"}}
graph.invoke({"foo": "", "bar":[]}, config)

运行图后，我们期望看到正好 4 个检查点：

空检查点，下一个要执行的节点为 [START]
检查点包含用户输入 {'foo': '', 'bar': []} 和下一个要执行的节点 node_a
检查点包含 node_a 的输出 {'foo': 'a', 'bar': ['a']} 和下一个要执行的节点 node_b
检查点包含 node_b 的输出 {'foo': 'b', 'bar': ['a', 'b']} 且没有下一个要执行的节点

注意，由于我们对 bar 通道有一个归约器，所以 bar 通道值包含来自两个节点的输出。

检查点命名空间

每个检查点都有一个 checkpoint_ns（检查点命名空间）字段，用于标识它属于哪个图或子图：

""（空字符串）：检查点属于父（根）图。
"node_name:uuid"：检查点属于作为给定节点调用的子图。对于嵌套子图，命名空间用 | 分隔符连接（例如，"outer_node:uuid|inner_node:uuid"）。

你可以在节点内通过配置访问检查点命名空间：

from langchain_core.runnables import RunnableConfig

def my_node(state: State, config: RunnableConfig):
    checkpoint_ns = config["configurable"]["checkpoint_ns"]
    # "" 表示父图，"node_name:uuid" 表示子图

有关与子图状态和检查点一起工作的更多详细信息，请参阅子图。

获取和更新状态

获取状态

在与保存的图状态交互时，你必须指定线程标识符。你可以通过调用 graph.get_state(config) 查看图的最新状态。这将返回一个 StateSnapshot 对象，对应于配置中提供的线程 ID 关联的最新检查点，或者如果提供，则对应于线程的检查点 ID 关联的检查点。

# 获取最新状态快照
config = {"configurable": {"thread_id": "1"}}
graph.get_state(config)

# 获取特定 checkpoint_id 的状态快照
config = {"configurable": {"thread_id": "1", "checkpoint_id": "1ef663ba-28fe-6528-8002-5a559208592c"}}
graph.get_state(config)

在我们的示例中，get_state 的输出看起来像这样：

StateSnapshot(
    values={'foo': 'b', 'bar': ['a', 'b']},
    next=(),
    config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28fe-6528-8002-5a559208592c'}},
    metadata={'source': 'loop', 'writes': {'node_b': {'foo': 'b', 'bar': ['b']}}, 'step': 2},
    created_at='2024-08-29T19:19:38.821749+00:00',
    parent_config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28f9-6ec4-8001-31981c2c39f8'}}, tasks=()
)

StateSnapshot 字段

字段	类型	描述
`values`	`dict`	此检查点的状态通道值。
`next`	`tuple[str, ...]`	下一个要执行的节点名称。空 `()` 表示图已完成。
`config`	`dict`	包含 `thread_id`、`checkpoint_ns` 和 `checkpoint_id`。
`metadata`	`dict`	执行元数据。包含 `source`（`"input"`、`"loop"` 或 `"update"`）、`writes`（节点输出）和 `step`（超级步骤计数器）。
`created_at`	`str`	创建此检查点的 ISO 8601 时间戳。
`parent_config`	`dict \| None`	前一个检查点的配置。第一个检查点为 `None`。
`tasks`	`tuple[PregelTask, ...]`	此步骤要执行的任务。每个任务都有 `id`、`name`、`error`、`interrupts`，以及可选的 `state`（子图快照，当使用 `subgraphs=True` 时）。

获取状态历史

你可以通过调用 graph.get_state_history(config) 获取给定线程的图执行完整历史记录。这将返回与配置中提供的线程 ID 关联的 StateSnapshot 对象列表。重要的是，检查点将按时间顺序排列，最新的检查点 / StateSnapshot 位于列表中的第一位。

config = {"configurable": {"thread_id": "1"}}
list(graph.get_state_history(config))

在我们的示例中，get_state_history 的输出看起来像这样：

[
    StateSnapshot(
        values={'foo': 'b', 'bar': ['a', 'b']},
        next=(),
        config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28fe-6528-8002-5a559208592c'}},
        metadata={'source': 'loop', 'writes': {'node_b': {'foo': 'b', 'bar': ['b']}}, 'step': 2},
        created_at='2024-08-29T19:19:38.821749+00:00',
        parent_config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28f9-6ec4-8001-31981c2c39f8'}},
        tasks=(),
    ),
    StateSnapshot(
        values={'foo': 'a', 'bar': ['a']},
        next=('node_b',),
        config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28f9-6ec4-8001-31981c2c39f8'}},
        metadata={'source': 'loop', 'writes': {'node_a': {'foo': 'a', 'bar': ['a']}}, 'step': 1},
        created_at='2024-08-29T19:19:38.819946+00:00',
        parent_config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28f4-6b4a-8000-ca575a13d36a'}},
        tasks=(PregelTask(id='6fb7314f-f114-5413-a1f3-d37dfe98ff44', name='node_b', error=None, interrupts=()),),
    ),
    StateSnapshot(
        values={'foo': '', 'bar': []},
        next=('node_a',),
        config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28f4-6b4a-8000-ca575a13d36a'}},
        metadata={'source': 'loop', 'writes': None, 'step': 0},
        created_at='2024-08-29T19:19:38.817813+00:00',
        parent_config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28f0-6c66-bfff-6723431e8481'}},
        tasks=(PregelTask(id='f1b14528-5ee5-579c-949b-23ef9bfbed58', name='node_a', error=None, interrupts=()),),
    ),
    StateSnapshot(
        values={'bar': []},
        next=('__start__',),
        config={'configurable': {'thread_id': '1', 'checkpoint_ns': '', 'checkpoint_id': '1ef663ba-28f0-6c66-bfff-6723431e8481'}},
        metadata={'source': 'input', 'writes': {'foo': ''}, 'step': -1},
        created_at='2024-08-29T19:19:38.816205+00:00',
        parent_config=None,
        tasks=(PregelTask(id='6d27aa2e-d72b-5504-a36f-8620e54a76dd', name='__start__', error=None, interrupts=()),),
    )
]

查找特定检查点

你可以过滤状态历史以查找符合特定标准的检查点：

history = list(graph.get_state_history(config))

# 查找特定节点执行前的检查点
before_node_b = next(s for s in history if s.next == ("node_b",))

# 按步骤号查找检查点
step_2 = next(s for s in history if s.metadata["step"] == 2)

# 查找由 update_state 创建的检查点
forks = [s for s in history if s.metadata["source"] == "update"]

# 查找发生中断的检查点
interrupted = next(
    s for s in history
    if s.tasks and any(t.interrupts for t in s.tasks)
)

重放

重放从先前的检查点重新执行步骤。使用先前的 checkpoint_id 调用图以重新运行该检查点之后的节点。检查点之前的节点会被跳过（它们的结果已保存）。检查点之后的节点会重新执行，包括任何 LLM 调用、API 请求或中断 —— 在重放期间总是会被重新触发。有关重放过去执行的完整详细信息和代码示例，请参阅时间旅行。

更新状态

你可以使用 update_state 编辑图状态。这会创建一个具有更新值的新检查点 —— 它不会修改原始检查点。更新被视为与节点更新相同：当定义时，值会通过归约函数传递，因此具有归约器的通道会累积值而不是覆盖它们。你可以选择指定 as_node 来控制更新被视为来自哪个节点，这会影响下一个执行哪个节点。有关详细信息，请参阅时间旅行：as_node。

内存存储

状态模式指定了一组键，随着图的执行会被填充。如上所述，状态可以在每个图步骤由检查器写入线程，从而实现状态持久化。如果我们想在不同线程之间保留一些信息怎么办？考虑聊天机器人的情况，我们希望在与该用户的所有聊天对话（例如，线程）中保留关于该用户的特定信息！仅靠检查器，我们无法在线程之间共享信息。这激发了对 Store 接口的需求。作为一个说明，我们可以定义一个 InMemoryStore 来跨线程存储有关用户的信息。我们只需像以前一样用检查器编译我们的图，并传递存储。

LangGraph API 自动处理存储 当使用 LangGraph API 时，你不需要手动实现或配置存储。API 在后台为你处理所有存储基础设施。

InMemoryStore 适用于开发和测试。对于生产环境，请使用持久化存储，如 PostgresStore 或 RedisStore。所有实现都扩展了 BaseStore，这是节点函数签名中使用的类型注解。

基本用法

首先，让我们在不使用 LangGraph 的情况下孤立地展示这一点。

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

记忆通过 tuple 进行命名空间划分，在这个特定示例中将是 (<user_id>, "memories")。命名空间可以是任何长度并代表任何内容，不必是用户特定的。

user_id = "1"
namespace_for_memory = (user_id, "memories")

我们使用 store.put 方法将记忆保存到存储中的命名空间。当我们这样做时，我们指定如上定义的命名空间，以及记忆的键值对：键只是记忆的唯一标识符（memory_id），值（字典）是记忆本身。

memory_id = str(uuid.uuid4())
memory = {"food_preference" : "I like pizza"}
store.put(namespace_for_memory, memory_id, memory)

我们可以使用 store.search 方法读取命名空间中的记忆，该方法将返回给定用户的所有记忆作为列表。最新的记忆在列表的最后。

memories = store.search(namespace_for_memory)
memories[-1].dict()
{'value': {'food_preference': 'I like pizza'},
 'key': '07e0caf4-1631-47b7-b15f-65515d4c1843',
 'namespace': ['1', 'memories'],
 'created_at': '2024-10-02T17:22:31.590602+00:00',
 'updated_at': '2024-10-02T17:22:31.590605+00:00'}

每种记忆类型都是一个 Python 类 (Item)，具有某些属性。我们可以通过上面的 .dict 将其转换为字典来访问它。它具有的属性是：

value: 该记忆的值（本身是一个字典）
key: 此命名空间中此记忆的唯一键
namespace: 字符串元组，此记忆类型的命名空间
虽然类型是 tuple[str, ...]，但在转换为 JSON 时可能会序列化为列表（例如，['1', 'memories']）。
created_at: 创建此记忆的时间戳
updated_at: 更新此记忆的时间戳

语义搜索

除了简单的检索外，存储还支持语义搜索，允许你基于含义而不是精确匹配来查找记忆。为此，请配置存储以使用嵌入模型：

from langchain.embeddings import init_embeddings

store = InMemoryStore(
    index={
        "embed": init_embeddings("openai:text-embedding-3-small"),  # 嵌入提供者
        "dims": 1536,                              # 嵌入维度
        "fields": ["food_preference", "$"]              # 要嵌入的字段
    }
)

现在进行搜索时，你可以使用自然语言查询来查找相关记忆：

# 查找关于食物偏好的记忆
# （这可以在将记忆放入存储后进行）
memories = store.search(
    namespace_for_memory,
    query="What does the user like to eat?",
    limit=3  # 返回前 3 个匹配项
)

你可以通过配置 fields 参数或在存储记忆时指定 index 参数来控制你的记忆的哪些部分被嵌入：

# 存储要嵌入的特定字段
store.put(
    namespace_for_memory,
    str(uuid.uuid4()),
    {
        "food_preference": "I love Italian cuisine",
        "context": "Discussing dinner plans"
    },
    index=["food_preference"]  # 仅嵌入 "food_preferences" 字段
)

# 不嵌入存储（仍可检索，但不可搜索）
store.put(
    namespace_for_memory,
    str(uuid.uuid4()),
    {"system_info": "Last updated: 2024-01-01"},
    index=False
)

在 LangGraph 中使用

有了所有这些，我们在 LangGraph 中使用存储。存储与检查器协同工作：检查器将状态保存到线程，如上所述，而存储允许我们存储任意信息以供跨线程访问。我们使用检查器和存储一起编译图，如下所示。

from dataclasses import dataclass
from langgraph.checkpoint.memory import InMemorySaver

@dataclass
class Context:
    user_id: str

# 我们需要这个，因为我们希望启用线程（对话）
checkpointer = InMemorySaver()

# ... 定义图 ...

# 使用检查器和存储编译图
builder = StateGraph(MessagesState, context_schema=Context)
# ... 添加节点和边 ...
graph = builder.compile(checkpointer=checkpointer, store=store)

我们像以前一样使用 thread_id 调用图，同时也使用 user_id，我们将用它来将我们的记忆命名空间到此特定用户，就像上面展示的那样。

# 调用图
config = {"configurable": {"thread_id": "1"}}

# 首先让我们只是向 AI 打招呼
for update in graph.stream(
    {"messages": [{"role": "user", "content": "hi"}]},
    config,
    stream_mode="updates",
    context=Context(user_id="1"),
):
    print(update)

你可以在 任何节点 中使用 Runtime 对象访问存储和 user_id。Runtime 会在你将其作为参数添加到节点函数时由 LangGraph 自动注入。以下是你可能如何使用它来保存记忆：

from langgraph.runtime import Runtime
from dataclasses import dataclass

@dataclass
class Context:
    user_id: str

async def update_memory(state: MessagesState, runtime: Runtime[Context]):

    # 从运行时上下文获取用户 id
    user_id = runtime.context.user_id

    # 命名空间记忆
    namespace = (user_id, "memories")

    # ... 分析对话并创建新记忆

    # 创建新记忆 ID
    memory_id = str(uuid.uuid4())

    # 我们创建新记忆
    await runtime.store.aput(namespace, memory_id, {"memory": memory})

正如上面展示的，我们也可以在任何节点中访问存储并使用 store.search 方法获取记忆。回想一下，记忆作为可转换为字典的对象列表返回。

memories[-1].dict()
{'value': {'food_preference': 'I like pizza'},
 'key': '07e0caf4-1631-47b7-b15f-65515d4c1843',
 'namespace': ['1', 'memories'],
 'created_at': '2024-10-02T17:22:31.590602+00:00',
 'updated_at': '2024-10-02T17:22:31.590605+00:00'}

我们可以访问记忆并在模型调用中使用它们。

from dataclasses import dataclass
from langgraph.runtime import Runtime

@dataclass
class Context:
    user_id: str

async def call_model(state: MessagesState, runtime: Runtime[Context]):
    # 从运行时上下文获取用户 id
    user_id = runtime.context.user_id

    # 命名空间记忆
    namespace = (user_id, "memories")

    # 基于最新消息搜索
    memories = await runtime.store.asearch(
        namespace,
        query=state["messages"][-1].content,
        limit=3
    )
    info = "\n".join([d.value["memory"] for d in memories])

    # ... 在模型调用中使用记忆

如果我们创建新线程，只要 user_id 相同，我们仍然可以访问相同的记忆。

# 在新线程上调用图
config = {"configurable": {"thread_id": "2"}}

# 让我们再次打招呼
for update in graph.stream(
    {"messages": [{"role": "user", "content": "hi, tell me about my memories"}]},
    config,
    stream_mode="updates",
    context=Context(user_id="1"),
):
    print(update)

当我们使用 LangSmith 时，无论是本地（例如，在 Studio 中）还是托管的 LangSmith，基础存储默认可用，无需在图编译期间指定。然而，要启用语义搜索，你确实需要在 langgraph.json 文件中配置索引设置。例如：

{
    ...
    "store": {
        "index": {
            "embed": "openai:text-embeddings-3-small",
            "dims": 1536,
            "fields": ["$"]
        }
    }
}

有关更多详细信息和配置选项，请参阅部署指南。

检查器库

在底层，检查点由符合 BaseCheckpointSaver 接口的检查器对象提供支持。LangGraph 提供了几种检查器实现，均通过独立的、可安装的库实现。

有关可用提供商，请参阅检查器集成。

langgraph-checkpoint: 检查器保存器的基础接口 (BaseCheckpointSaver) 和序列化/反序列化接口 (SerializerProtocol)。包括用于实验的内存检查器实现 (InMemorySaver)。LangGraph 随附 langgraph-checkpoint。
langgraph-checkpoint-sqlite: 使用 SQLite 数据库 (SqliteSaver / AsyncSqliteSaver) 的 LangGraph 检查器实现。适用于实验和本地工作流。需要单独安装。
langgraph-checkpoint-postgres: 使用 Postgres 数据库 (PostgresSaver / AsyncPostgresSaver) 的高级检查器，在 LangSmith 中使用。适用于在生产环境中使用。需要单独安装。
langgraph-checkpoint-cosmosdb: 使用 Azure Cosmos DB (CosmosDBSaver / AsyncCosmosDBSaver) 的 LangGraph 检查器实现。适用于在 Azure 上进行生产使用。支持同步和异步操作。需要单独安装。

检查器接口

每个检查器都符合 BaseCheckpointSaver 接口并实现以下方法：

.put - 存储其配置和元数据的检查点。
.put_writes - 存储链接到检查点的中间写入（即待处理写入）。
.get_tuple - 使用给定配置（thread_id 和 checkpoint_id）获取检查点元组。这用于在 graph.get_state() 中填充 StateSnapshot。
.list - 列出符合给定配置和筛选条件的检查点。这用于在 graph.get_state_history() 中填充状态历史。

如果检查器与异步图执行一起使用（即通过 .ainvoke、.astream、.abatch 执行图），则将使用上述方法的异步版本（.aput、.aput_writes、.aget_tuple、.alist）。

对于异步运行你的图，你可以使用 InMemorySaver，或 Sqlite/Postgres 检查器的异步版本 — AsyncSqliteSaver / AsyncPostgresSaver 检查器。

序列化器

当检查器保存图状态时，它们需要序列化状态中的通道值。这是使用序列化器对象完成的。 langgraph_checkpoint 定义了 protocol 以实现序列化器，提供了一个默认实现 (JsonPlusSerializer)，可处理各种类型，包括 LangChain 和 LangGraph 原语、日期时间、枚举等。

使用 `pickle` 进行序列化

默认序列化器 JsonPlusSerializer 在底层使用 ormsgpack 和 JSON，这不适合所有类型的对象。如果你想回退到 pickle 以处理当前 msgpack 编码器不支持的对象（例如 Pandas 数据框），你可以使用 JsonPlusSerializer 的 pickle_fallback 参数：

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.checkpoint.serde.jsonplus import JsonPlusSerializer

# ... 定义图 ...
graph.compile(
    checkpointer=InMemorySaver(serde=JsonPlusSerializer(pickle_fallback=True))
)

加密

检查器可以选择加密所有持久化状态。要启用此功能，请将 EncryptedSerializer 实例传递给任何 BaseCheckpointSaver 实现的 serde 参数。创建加密序列化器的最简单方法是使用 from_pycryptodome_aes，它从 LANGGRAPH_AES_KEY 环境变量读取 AES 密钥（或接受 key 参数）：

import sqlite3

from langgraph.checkpoint.serde.encrypted import EncryptedSerializer
from langgraph.checkpoint.sqlite import SqliteSaver

serde = EncryptedSerializer.from_pycryptodome_aes()  # 读取 LANGGRAPH_AES_KEY
checkpointer = SqliteSaver(sqlite3.connect("checkpoint.db"), serde=serde)

from langgraph.checkpoint.serde.encrypted import EncryptedSerializer
from langgraph.checkpoint.postgres import PostgresSaver

serde = EncryptedSerializer.from_pycryptodome_aes()
checkpointer = PostgresSaver.from_conn_string("postgresql://...", serde=serde)
checkpointer.setup()

在 LangSmith 上运行时，只要存在 LANGGRAPH_AES_KEY，加密就会自动启用，因此你只需要提供环境变量。可以使用其他加密方案，方法是实现 CipherProtocol 并将其提供给 EncryptedSerializer。

Edit this page on GitHub or file an issue.

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

Get started

Capabilities

Production

Frontend

LangGraph APIs

为什么使用持久性

核心概念

线程

检查点

超级步骤

检查点命名空间

获取和更新状态

获取状态

StateSnapshot 字段

获取状态历史

查找特定检查点

重放

更新状态

内存存储

基本用法

语义搜索

在 LangGraph 中使用

检查器库

检查器接口

序列化器

使用 `pickle` 进行序列化

加密

Get started

Capabilities

Production

Frontend

LangGraph APIs

​为什么使用持久性

​核心概念

​线程

​检查点

​超级步骤

​检查点命名空间

​获取和更新状态

​获取状态

​StateSnapshot 字段

​获取状态历史

​查找特定检查点

​重放

​更新状态

​内存存储

​基本用法

​语义搜索

​在 LangGraph 中使用

​检查器库

​检查器接口

​序列化器

​使用 pickle 进行序列化

​加密

为什么使用持久性

核心概念

线程

检查点

超级步骤

检查点命名空间

获取和更新状态

获取状态

StateSnapshot 字段

获取状态历史

查找特定检查点

重放

更新状态

内存存储

基本用法

语义搜索

在 LangGraph 中使用

检查器库

检查器接口

序列化器

使用 `pickle` 进行序列化

加密