如何将语义搜索添加到 LangGraph 部署¶

本指南介绍如何将语义搜索添加到 LangGraph 部署的跨线程存储,以便你的智能代理可以按语义相似度搜索记忆和其他文档。

先决条件¶

一个 LangGraph 部署(请参阅如何部署)
你的嵌入提供商的 API 密钥(在本例中为 OpenAI)
langchain >= 0.3.8(如果你使用下面的字符串格式指定)

步骤¶

更新你的 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"])
要使用上面的字符串嵌入格式,请确保你的依赖项包含 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

使用¶

配置完成后,你可以在 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):
    # 使用语义相似度搜索存储
    # 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 = store.search(
        namespace=("memory", "facts"),  # 按类型组织记忆
        query="your search query",
        limit=3  # 要返回的结果数量
    )
    return results

自定义嵌入¶

如果你想使用自定义嵌入,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]]:
    """自定义嵌入函数必须:
    1. 是异步的
    2. 接受字符串列表
    3. 返回浮点数组列表(嵌入)
    """
    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¶

你还可以使用 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  # 要返回的结果数量
    )
    return results

# 在异步上下文中使用
results = await search_store()