如何为您的 LangGraph 部署添加语义搜索¶

本指南解释了如何为 LangGraph 部署的跨线程存储添加语义搜索，以便您的代理可以通过语义相似性搜索记忆和其他文档。

先决条件¶

LangGraph 部署（参见如何部署）
您的嵌入提供商的 API 密钥（本例中为 OpenAI）
langchain >= 0.3.8（如果您指定使用下面的字符串格式）

步骤¶

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，或者指定特定字段，如["text", "metadata.title"]）
要使用上述字符串嵌入格式，请确保您的依赖项中包含 langchain >= 0.3.8

# In pyproject.toml
[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 LangGraph 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

def search_memory(state: State, *, store: BaseStore):
    # Search the store using semantic similarity
    # The namespace tuple helps organize different types of memories
    # e.g., ("user_facts", "preferences") or ("conversation", "summaries")
    results = store.search(
        namespace=("memory", "facts"),  # Organize memories by type
        query="your search query",
        limit=3  # number of results to return
    )
    return results

自定义嵌入¶

如果您想使用自定义嵌入，可以传入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]]:
    """Custom embedding function that must:
    1. Be async
    2. Accept a list of strings
    3. Return a list of float arrays (embeddings)
    """
    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¶

您还可以使用 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  # number of results to return
    )
    return results

# Use in an async context
results = await search_store()