上一篇讲了短期记忆（一次会话内的）。这一篇讲长期记忆——跨会话的记忆，也是 Phase 5 的收尾。
短期记忆会话结束就没了。但有些信息该跨会话持久：用户的长期偏好、历史交互的结论、积累的知识。换个会话、换个时间，Agent 还应该记得。这就是长期记忆。
长期记忆要解决什么
短期记忆的边界是「会话结束即过期」。但有些场景需要跨会话：
- 用户偏好：用户上次说过「我喜欢简洁回答」，这次新会话也该记得
- 历史结论：上周会话里得出的方案结论，这次该能引用
- 积累的知识：Agent 跨多次交互学到的经验
这些信息放在短期记忆（thread 内）不合适——会话结束就丢了。它们需要一个跨 thread 的、持久的存储。这就是 LangGraph Store。
LangGraph Store：跨会话的存储
LangGraph Store 是一个跨 thread 的持久存储。和 checkpointer（管 thread 内的短期记忆）不同，Store 管的是跨 thread 的长期信息。
| Checkpointer | Store | |
|---|---|---|
| 范围 | thread 内（会话内） | 跨 thread（跨会话） |
| 存什么 | 完整 state 快照 | 按需提取的长期信息 |
| 生命周期 | 会话结束可清 | 长期持久 |
Store 不是把整个会话存下来（那是 checkpointer 的活），而是有选择地存「值得长期记的信息」——比如「这个用户偏好简洁回答」。
长期记忆怎么用
长期记忆的使用也是「存 + 注入」的模式（和短期记忆一样的框架，第 35 篇）：
存：Agent 在交互中，判断哪些信息值得长期记，写进 Store。比如用户表达了偏好，Agent 把「用户偏好简洁」存进 Store（按用户 ID 索引）。
注入：新会话开始时，beforeModel middleware 从 Store 取出这个用户的长期记忆，注入到 context。于是 Agent「记得」这个用户的偏好。
注意：长期记忆的注入是有选择的——不是把整个 Store 倒进 context（那会爆），而是取「和当前相关」的部分。这又回到第 22 篇的 Context Engineering——精准投放，不多塞。
长期记忆vs RAG：像不像
你可能觉得长期记忆听起来像 RAG——都是「按需取相关信息」。确实有相似：都是「从大量信息里取相关的塞进 context」。
区别在于信息来源和更新方式：
- RAG：从静态知识库取（文档加载进来的，相对固定）
- 长期记忆：从动态交互历史取（Agent 在交互中不断写入，持续演进）
有些实现甚至把长期记忆做成「向量化后存进 Store，用时语义检索」——本质上是用 RAG 的技术管理长期记忆。两者技术相通，但定位不同。
一个判断：不是所有 Agent 都需要长期记忆
长期记忆有成本：要维护 Store、要决定存什么、要管理注入。不是所有 Agent 都需要。
| Agent 类型 | 需要长期记忆吗 |
|---|---|
| 一次性问答（无用户体系） | 不需要 |
| 单会话助手（不需跨会话） | 不需要 |
| 个性化助手（记住用户偏好） | 需要 |
| 长期协作 Agent（积累经验） | 需要 |
判断标准：这个 Agent 要不要「跨会话地记住特定用户/特定上下文」。要，才上长期记忆；不要，短期记忆（checkpointer）就够。
收束：Phase 5 完成
这一篇讲完，Phase 5（Tools/MCP/记忆）就完成了。回顾这 6 篇：
- 32 工具调用：@tool 与 bind_tools
- 33 MCP 协议：跨应用共享
- 34 MCP 三能力：Tools/Resources/Prompts
- 35 记忆是什么：state + middleware
- 36 短期记忆：checkpointer 管会话
- 37 长期记忆：Store 跨会话
到这里，Agent 的「手」（工具）和「脑」（记忆）都讲完了。下一篇开始最后的 Phase 6——生产化收束：可观测、评估、部署，以及全系列总结。
关于十三Tech
我是十三，All in AI Agent 方向的架构师，专注 AI 工程实践。我相信 AI 是程序员的最佳搭档。
如果你想跟完这套「图解 LangChain」，欢迎关注公众号 「十三Tech」。全系列 42 篇，会按认识基础、LangGraph 状态机、Agent 与 middleware、RAG 检索、Tools/MCP/记忆、生产化收束这条线更新。
