阶段：G3-持久化与人机协作 ｜ 预计耗时：50 分钟 ｜ 前置：G3-03 断点续跑与时间旅行 代码：要你自己敲成
langgraph-learn/examples/g3_store.py一句话定位：Checkpointer 管对话内记忆（thread_id 维度），Store 管跨对话记忆（用户维度）——客服产品"记住老客户偏好"就是它
学习目标
- 理解两层记忆的分工：thread 记忆 vs Store 记忆（别混）
- 掌握 InMemoryStore 三操作：
put / get / search，理解 namespace 分层 - 做一个"跨会话记住用户偏好"的对话 agent（最小可用版）
核心知识
1. 两层记忆对照表（背下来）
| Checkpointer | Store | |
|---|---|---|
| 维度 | thread_id（一次对话） | 用户/实体（跨所有对话） |
| 内容 | 完整 State 快照链 | 你主动存的键值对 |
| 生命周期 | 会话结束仍在，但属于该会话 | 永久，所有会话可读 |
| 典型用途 | 断点续跑、审批恢复 | 用户画像、偏好、历史结论 |
2. Store 的结构与操作
from langgraph.store.memory import InMemoryStore
store = InMemoryStore()
graph = builder.compile(checkpointer=saver, store=store)
# namespace 是"文件夹路径"，key 是文件名，value 是任意 dict
store.put(("users", "u001"), "preference", {"tone": "简洁", "language": "中文"})
store.get(("users", "u001"), "preference")
store.search(("users", "u001")) # 列出该文件夹全部
节点内拿 store：节点函数多声明一个参数 def node(state, *, store)（框架自动注入），或运行时 graph.get_store()。
3. 生产换 Postgres 版只改一行
InMemoryStore 用于开发；上线换 langgraph-checkpoint-postgres 的 PostgresStore——接口不变，这就是框架分层的好处。（你的本机/私有化路线：SQLite/Postgres 都可行，G7 项目里落地。）
实验任务
任务 1：偏好存取（20 分钟）
写 g3_store.py：
- agent 有两个节点：chat（回答）与 remember（从对话里提取偏好写 Store）
- 第一轮对话：用户说"我喜欢简洁回答" → remember 节点 put 进 ("users", "u001")
- 换一个全新 thread_id 开第二轮：chat 节点先 store.search 读偏好 → 回答风格应体现"简洁"
- 验证点：thread 换了（checkpointer 记忆没了），Store 记忆还在
任务 2：画像页（15 分钟）
store.search(("users", "u001")) 打印该用户全部记忆，做成"用户画像卡"输出——产品里"个人中心-我的偏好"就是这么做出来的。
任务 3：边界思考（10 分钟）
写进笔记：① 什么信息该进 Store？（稳定偏好/结论）什么不该？（本轮临时上下文）② 记得太多会怎样？（检索噪声——所以 namespace 设计要像文件夹一样有条理）
验收标准
G3 毕业检查点（对应路线图检查点 2）：能演示杀进程后从检查点恢复；能解释 interrupt 配 checkpointer 的原因；能给老用户"记住偏好"。
衔接下一阶段
Agent 有记忆有审批了 → G4-01 结构化输出与工具进阶：接真实世界的工具。