LangGraph 拥有一个内置的持久化层，是通过 checkpointer 实现的。当使用 checkpointer 编译 Graph 时，checkpointer 会为 thread 在每个 Super-step 后保存一个类型为 StateSnapshot 的 checkpoint，记录 thread 级别图的状态，可以利用 checkpoint 执行图的重放或更新状态。
👀
线程 Thread
线程必须有唯一标识符，由 checkpointer 保存到 checkpoint检查点中，来标识检查点属于哪一个线程！线程信息存放在 RunnableConfig 对象中，必须指定 thread_id 属性，在 graph 执行时使用。
config: RunnableConfig = {"configurable": {"thread_id": "1"}} graph.invoke({"foo": "", "bar":[]}, config)👀
检查点 Checkpoints
检查点是 线程级别 的，类型为 StateSnapshot，在每个 Super-step 后由 checkpointer 保存。 会被持久化，可以用来在以后恢复线程的状态。
通过 get_state 函数获取线程的检查点。
# 获取线程最后一个检查点 config = {"configurable": {"thread_id": "1"}} graph.get_state(config) # 获取线程某一个检查点，需要指定checkpoint_id config = {"configurable": {"thread_id": "1", "checkpoint_id": "1ef663ba-28fe-6528-8002-5a559208592c"}} graph.get_state(config)通过 get_state_history 获取历史检查点列表。
config = {"configurable": {"thread_id": "1"}} list(graph.get_state_history(config))重放(重新执行)某一 检查点之后 的所有步骤，检查点之前的步骤不会执行。
config = {"configurable": {"thread_id": "1", "checkpoint_id": "0c62ca34-ac19-445d-bbb0-5b4984975b2a"}} graph.invoke(None, config=config)通过 update_state 函数编辑状态。接受 3 个参数，分别是 config、values 和as_node。
config：必须包含 thread_id 属性，如果只有 thread_id 属性，编辑的是当前(最终)的状态；如果包含 checkpoint_id 属性，编辑的是对应检查点的状态。
values：用于更新状态的数据。如果状态中要更新的属性定义了reducer 函数，值将会传递给 reducer 函数；没有设置 reducer 函数的属性，会被覆盖！
from typing import Annotated from typing_extensions import TypedDict from operator import add class State(TypedDict): foo: int bar: Annotated[list[str], add] # 定义了 reducer 函数 # 当前(最终)状态 {"foo": 1, "bar": ["a"]} # 更新最终状态 graph.update_state(config, {"foo": 2, "bar": ["b"]}) # 结果为 {"foo": 2, "bar": ["a", "b"]} ，foo 属性被覆盖，bar属性由 reducer 函数 add 处理as_node：如果指定了as_node，可以模拟特定节点的输出，并根据模拟节点的输出边决定下一个节点是谁！
# 假设当前图停留在 'human_review' 节点之后 # 我们想要更新状态，并让图认为这是从 'agent' 节点发出的更新 config = {"configurable": {"thread_id": "1", "checkpoint_id": "..."}} graph.update_state( config, {"messages": [HumanMessage(content="Looks good!")]}, as_node="agent" # 模拟 agent 节点更新了状态 ) # 此时调用 graph.invoke(None, config) # 图会根据 'agent' 节点的输出边（edges）来决定下一步去哪里👀
Memory Store
由于检查点是线程级别的，无法在多个线程中共享数据！如果一个用户，开启了两个会话线程，想在线程间共享数据，就需要使用 Store 来存储数据！
基础用法
from langgraph.store.memory import InMemoryStore # 创建store in_memory_store = InMemoryStore() # 创建用户的 命名空间 user_id = "1" namespace_for_memory = (user_id, "memories") # 存储数据 memory_id = str(uuid.uuid4()) memory = {"food_preference" : "I like pizza"} in_memory_store.put(namespace_for_memory, memory_id, memory) # 取出数据 memories = in_memory_store.search(namespace_for_memory) # 拿到最后一条 memories[-1].dict() #{'value': {'food_preference': 'I like pizza'}, #'key': '07e0caf4-1631-47b7-b15f-65515d4c1843', #'namespace': ['1', 'memories'], #'created_at': '2026-01-16T13:22:31.590602+08:00', #'updated_at': '2026-01-16T13:22:31.590605+08:00'}语义搜索，需要使用 Embedding 模型，在创建 store 时设置 index 属性。
from langchain.embeddings import init_embeddings # 创建 store store = InMemoryStore( index={ "embed": init_embeddings("openai:text-embedding-3-small"), # Embedding 模型 "dims": 1024, # Embedding 维度 "fields": ["food_preference", "$"] # 需要向量化的字段 } ) # 保存数据 store.put( namespace_for_memory, str(uuid.uuid4()), { "food_preference": "I love Italian cuisine", "context": "Discussing dinner plans" }, index=["food_preference"] # 只向量化 food_preference 字段 ) # 搜索 memories = store.search( namespace_for_memory, query="What does the user like to eat?", limit=3 # Return top 3 matches )LangGraph 中使用 store，需要在 config 中增加 user_id 属性，在节点中使用时需要增加 store: BaseStore 参数。
from langgraph.store.memory import InMemoryStore from langgraph.checkpoint.memory import InMemorySaver checkpointer = InMemorySaver() in_memory_store = InMemoryStore() graph = graph.compile(checkpointer=checkpointer, store=in_memory_store) # 增加 user_id 属性 user_id = "1" config = {"configurable": {"thread_id": "1", "user_id": user_id}} # 节点中使用 def call_model(state: MessagesState, config: RunnableConfig, *, store: BaseStore): # 1. 从 config 中获取 user_id user_id = config["configurable"]["user_id"] # 2. 组装 namespace namespace = (user_id, "memories") # 搜索数据 memories = store.search( namespace, query=state["messages"][-1].content, limit=3 ) info = "\n".join([d.value["memory"] for d in memories]) }AI大模型从0到精通全套学习大礼包
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！
如果你也想通过学大模型技术去帮助就业和转行，可以扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！
01.从入门到精通的全套视频教程
包含提示词工程、RAG、Agent等技术点
02.AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
03.学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
04.大模型面试题目详解
05.这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
