بخش 5.4 · وضعیت، حافظه و پایایی

مخازن، حافظه‌ی بلندمدت و تفکیک فضای نام

Stores and long-term memory, and namespace isolation

فهرست مطالب
  1. آیتم‌ها و فضاهای نام
  2. متد search بر اساس تطابق پیشوند عمل می‌کند
  3. خواندن مخزن توسط ابزار
  4. تفکیک فضای نام
  5. فایل‌های حافظه در Deep Agents و کارخانه‌ی فضای نام
  6. دو نقص در SqliteStore

یک مخزن، آیتم‌های JSON را ذیل فضاهای نامی نگه می‌دارد که همه‌ی تردها می‌توانند آن‌ها را بخوانند؛ و کاربران را فقط تا همان اندازه‌ای از یکدیگر تفکیک می‌کند که پیشوندِ فضای نامِ ساخته‌شده در کد شما اجازه می‌دهد.

کاربری به دستیارتان می‌گوید که پاسخ‌های کوتاه را ترجیح می‌دهد. یک هفته بعد، گفت‌وگوی جدیدی آغاز می‌کند که ترد (thread) تازه‌ای است؛ و دستیار همه‌چیز را فراموش کرده است. چک‌پوینتر (checkpointer) فقط وضعیت یک ترد را نگه می‌دارد. واقعیتی که باید فراتر از عمر یک ترد زنده بماند، به جای دیگری نیاز دارد.

با پایان این بخش، می‌توانید خاطرات را در یک مخزن ذخیره و جستجو کنید، آن‌ها را از داخل یک ابزار بخوانید و کاربران را از طریق فضای نام (namespace) از یکدیگر تفکیک کنید.

آیتم‌ها و فضاهای نام

مخزن (Store): شیئی که آیتم‌های JSON را بر اساس فضای نام و کلید ذخیره می‌کند و میان همه‌ی تردهای یک گراف به اشتراک گذاشته می‌شود. InMemoryStore، SqliteStore و PostgresStore نمونه‌هایی از مخزن هستند.

فضای نام (Namespace): تاپلی از رشته‌ها، مانند ("users", "ada", "memories")، که آیتم‌های یک مخزن را گروه‌بندی می‌کند. هر رشته یک برچسب (label) به شمار می‌رود.

آیتم (Item): یک مقدار در مخزن، به همراه فضای نام، کلید، و زمان‌های ایجاد و به‌روزرسانی آن.

صفحه‌ی مستنداتِ حافظه‌ی بلندمدت، حافظه را دقیقاً به همین شیوه روی مخازن پیاده‌سازی می‌کند {{docs oss/python/langchain/long-term-memory}}. کلاس InMemoryStore را از langgraph.store.memory ایمپورت کنید. در صفحه‌ی مستنداتِ مخازن، این نام به کلاسی در langchain_core.stores ارجاع داده شده که یک مخزنِ کلید-مقدارِ متفاوت و بدون پشتیبانی از فضای نام است {{docs oss/python/langgraph/stores}}. این راهنما تداخل مذکور را با عنوان تداخل D106 ثبت می‌کند.

کیت، چهار آیتم را برای دو کاربر ذخیره می‌کند و یکی از آن‌ها را بازمی‌خواند:

یک آیتم از حافظهٔ پایدار (store) capture/out/33-store.txt
get:
{
  "__type__": "Item",
  "namespace": [
    "users",
    "ada",
    "memories"
  ],
  "key": "m1",
  "value": {
    "text": "prefers short answers"
  },
  "created_at": "<time>",
  "updated_at": "<time>"
}

متد list_namespaces() هر سه فضای نام را برمی‌گرداند. با ارسال آرگومان prefix=("users", "ada")، فقط دو فضای نامِ مربوط به ada فهرست می‌شوند. در صورت تعیین max_depth=2، هر فضای نام به دو برچسب برش می‌خورد و خروجی شامل ("users", "ada") و ("users", "grace") خواهد بود.

متد search بر اساس تطابق پیشوند عمل می‌کند

متد search(namespace_prefix) آیتم‌های تمام فضاهای نامی را که با آن پیشوند آغاز می‌شوند برمی‌گرداند. مستندات مخازن هم همین را می‌گوید: این پیشوند، تطابق دقیق (exact match) نیست {{docs oss/python/langgraph/stores}}. جستجو برای ("users", "ada") آیتم‌های هر دو بخش memories و settings را برگرداند:

جست‌وجو با پیشوندی با دو برچسب capture/out/33-store.txt
search(('users', 'ada')):
[
  [
    [
      "users",
      "ada",
      "memories"
    ],
    "m1",
…
    [
      "users",
      "ada",
      "memories"
    ],
    "m2",
…
    [
      "users",
      "ada",
      "settings"
    ],
    "theme",

مقادیر کوتاه شده‌اند.

مستندات مخازن اضافه می‌کند که ترتیب نتایج به بک‌اند بستگی دارد {{docs oss/python/langgraph/stores}}. با استفاده از filter می‌توان مقادیر درون همان پیشوند را مطابقت داد و متد delete یک آیتم را حذف می‌کند؛ بنابراین فراخوانی get پس از آن، مقدار null برمی‌گرداند. تصویر درختی را نشان می‌دهد که این فراخوانی‌ها در طول آن پیمایش می‌کنند.

مخزنی که شاخص (index) داشته باشد، امکان جستجوی معنایی (semantic search) روی فیلدهای تعیین‌شده را فراهم می‌کند. کیت، سه آیتمِ مربوط به ada را با مدل nomic-embed-text روی Ollama و با بعد (dims) 768 شاخص‌گذاری کرد. در جستجوی عبارت works in Pune، امتیازِ آیتمِ خود این عبارت 1.0 و امتیاز likes tea برابر 0.350555 شد. پرسش ?Which city is Ada's office in نام هیچ آیتمی را در خود نداشت، اما باز هم عبارت works in Pune با امتیاز 0.484968 در رتبه‌ی اول و likes tea با امتیاز 0.386065 در رتبه‌ی دوم قرار گرفت.

فضاهای نام در حافظهٔ پایدار کیتجست‌وجو برای users و ada هر دو فضای نام زیر ada را پوشش می‌دهد، و هیچ پیشوندی که به یک برچسب کامل ختم شود به آیتم‌های grace دسترسی ندارد.
فضاهای نام حافظهٔ پایدار کیت درختی از برچسب‌های فضای نام که list_namespaces برگردانده است: users، سپس ada و grace، سپس memories زیر ada، سپس settings زیر ada، و memories زیر grace. زیر هر فضای نام آیتم‌های آن با کلید و مقدارشان قرار دارند: m1 با مقدار «پاسخ‌های کوتاه را ترجیح می‌دهد» در users/ada/memories، کلید m2 با مقدار «در پونه کار می‌کند» در users/ada/memories، کلید theme با مقدار «dark» در users/ada/settings، و m1 با مقدار «پاسخ‌های بلند را ترجیح می‌دهد» در users/grace/memories. یک ناحیهٔ سایه‌دار ada و دو فضای نامش را می‌پوشاند: جست‌وجو با پیشوند users, ada این 3 آیتم را برگرداند. خط‌چین زیر ردیف دوم نشان می‌دهد که list_namespaces با max_depth 2 کجا متوقف می‌شود، یعنی در 2 فضای نام. یک یادداشت بیان می‌کند که برچسب ناقصی مثل ali در 3 بک‌اند آزمایشگاه با هیچ‌چیز مطابقت نداشت. search(('users', 'ada')): 3 items users ada grace max_depth=2: 2 namespaces memories key m1 پاسخ‌های کوتاه را ترجیح می‌دهد key m2 در پونه کار می‌کند settings key theme dark memories key m1 پاسخ‌های بلند را ترجیح می‌دهد فضای نام یک تاپل از برچسب‌های کامل است. جست‌وجوی ('users', 'ali') در هر 3 بک‌اند آزمایشگاه هیچ نتیجه‌ای برنگرداند، چون یک برچسب هرگز با بخشی از برچسب دیگر تطابق پیدا نمی‌کند.
از ریشه در بالا بخوانید. هر جعبه یک برچسب است، و هر کارت زیر یک فضای نام یک آیتم است، همراه با کلید و مقدارش. بخش سایه‌دار خروجی جست‌وجو با پیشوند users, ada است. برگرفته از capture/out/33-store.txt و capture/lab/summary/stores-mac.json.

خواندن مخزن توسط ابزار

تابع create_agent(..., store=store) مخزن را از طریق ToolRuntime به هر ابزار می‌فرستد. ابزار کیت، شناسه کاربر را از زمینه‌ی اجرا (run context) می‌خواند و فضای نام همان کاربر را جستجو می‌کند:

ابزاری که حافظهٔ پایدار را می‌خواند capture/s_persist.py
    @tool
    def recall(runtime: ToolRuntime) -> str:
        """Recall what is known about the current user."""
        user = runtime.context["user"]
        return "; ".join(i.value["text"] for i in runtime.store.search(("users", user, "memories")))
همان ابزار برای دو کاربر capture/out/44-store-agent.txt
user ada: tool returned ['prefers short answers']
…
user grace: tool returned ['prefers long answers']

پاسخ‌های مدل کوتاه شده‌اند.

مدل Qwen3 4B در هر دو اجرا ابزار recall را صدا زد. به Ada پاسخ داد: I know you prefer short answers. و به Grace پاسخی طولانی درباره‌ی تمایلش به جواب‌های مفصل داد.

شناسه کاربر از context استخراج می‌شود که کد شما آن را مقداردهی کرده است، نه از مدل. اگر مدل اجازه داشت نام کاربر را در آرگومان ابزار بیاورد، می‌توانست آیتم‌های کاربری دیگر را هم بخواند. در هر اجرا، یک هشدار PydanticSerializationUnexpectedValue برای فیلد context هم صادر شد؛ چرا که ایجنت برای این دیکشنری context_schema تعریف نکرده بود. این هشدار تأثیری روی نتیجه نگذاشت.

تفکیک فضای نام

ما میزان تفکیک را سنجیدیم: روی سیستم Mac با پردازنده Apple M1 Max دارای 10 هسته و 64 گیگابایت حافظه، با یک اجرا به ازای هر پرس‌وجو. مخازن مورد بررسی شامل InMemoryStore، SqliteStore و PostgresStore روی PostgreSQL 14 بودند. هشت کاربر، هر کدام یک آیتم ذیل ("users", <user>, "memories") داشتند. پنج مورد از شناسه‌های کاربری کاراکترهای عملگر LIKE در SQL و GLOB در SQLite بودند: a_ice، %، *، al?ce و [a]lice. برای هر کاربر و در هر مخزن، جستجو با پیشوندِ همان کاربر فقط آیتم خود او را برگرداند: 0 از 24 جستجو با دیگر کاربران تداخل پیدا کرد.

همین اجراها چهار نقطه‌ای را نشان دادند که در آن‌ها تفکیک داده‌ها به کد شما وابسته است:

  • فراخوانی list_namespaces(prefix=("users", "*")) در هر سه مخزن، فضاهای نامِ تمام کاربران را برگرداند. کاراکتر * در متد list_namespaces نویسه عمومی (wildcard) و در متد search یک کاراکتر معمولی است. پیش از ساختن پیشوند با استفاده از شناسه کاربر، از نبود شناسه کاربریِ * مطمئن شوید.
  • فراخوانی search(()) با یک پیشوند خالی، آیتم‌های تمام کاربران را برگرداند: 9 آیتم در InMemoryStore و 8 آیتم در دو مخزن دیگر. هرگز با پیشوندی کوتاه‌تر از برچسب کاربر جستجو نکنید.
  • یک برچسب ناقص هیچ چیزی را مطابقت نداد: پیشوند ("users", "ali") به alice نرسید. وصله‌ی مربوط به گزارش امنیتی GHSA-47pj-3jcm-6whg در نسخه‌ی ثابت این بسته پابرجاست.
  • برچسب دارای کاراکتر . در متدهای put و get با خطای InvalidNamespaceError رد شد. مخازن SqliteStore و PostgresStore در متد batch نیز آن را رد کردند. InMemoryStore برچسب ("users", "bob.x") را از طریق batch ذخیره کرد، و اجرای یک GetOp روی ("users", "alice.memories") یک فضای نام خالی ساخت. هیچ آیتمی بین کاربران جابه‌جا نشد.

فیلتر همیشه درون پیشوند خود باقی می‌ماند. فراخوانی search(("users", "bob"), filter={"owner": "alice"}) نتیجه‌ای برنگرداند. جستجوی معنایی نیز محدود به پیشوند خود ماند. با مدل nomic-embed-text روی Ollama، پرس‌وجویی که بیشترین تطابق را با آیتم alice داشت، ذیل پیشوند bob تنها آیتم‌های متعلق به bob را برگرداند.

فایل‌های حافظه در Deep Agents و کارخانه‌ی فضای نام

ایجنت عمیق (deep agent) حافظه را در قالب فایل می‌خواند و می‌نویسد. ابزار CompositeBackend مسیرهای زیرمجموعه /memories/ را به یک StoreBackend می‌فرستد و StoreBackend هر فایل را در قالب یک آیتم ذخیره می‌کند. فضای نامِ تمام آیتم‌ها از کارخانه‌ای (factory) می‌آید که شما ارسال می‌کنید، و ابزارهای ایجنت هرگز خودشان آن را انتخاب نمی‌کنند {{code libs/deepagents/deepagents/backends/store.py:98-168}}.

StoreBackend: یک بک‌اند Deep Agents که فایل‌ها را داخل مخزن LangGraph، ذیل فضای نامی نگه می‌دارد که یک کارخانه برای هر اجرا برمی‌گرداند.

در نسخه‌ی ثابت، ارسال این کارخانه اجباری است. فراخوانی StoreBackend(store=s) خطای TypeError: missing 1 required keyword-only argument: 'namespace' را بالا آورد. در صفحه‌ی مستنداتِ بک‌اندها هنوز نوشته شده که بدون کارخانه، پیش‌فرضِ قدیمی assistant_id را می‌خواند؛ در نتیجه همه‌ی کاربرانِ یک دستیار، حافظه‌ی مشترک دارند {{docs oss/python/deepagents/backends}}. این پیش‌فرض در نسخه‌ی 0.7.38 حذف شده است و این راهنما آن صفحه از مستندات را قدیمی و منسوخ می‌داند.

مثال‌های ترکیبی در همان صفحه، آرگومان namespace=lambda _rt: ("memories",) را پاس می‌دهند. این یعنی یک فضای نام یکسان برای همه‌ی کاربران ایجنت. اگر این کد را درون سرویسی با چند کاربر کپی کنید، ایجنتِ هر کاربر فایل‌های بقیه‌ی کاربران را می‌خواند.

ما این موضوع را روی یک ایجنت واقعی سنجیدیم. یک ایجنت عمیق مبتنی بر Qwen3 8B روی Ollama در Mac با دمای 0 اجرا شد که مسیر /memories/ آن روی یک StoreBackend قرار داشت. در هر نشست، Alice از آن خواست تا کد یک کمد را در مسیر /memories/notes.md ذخیره کند. سپس Bob، در ترگی جدید، کدهای کمدِ ذخیره‌شده ذیل /memories/ را درخواست کرد. هر نشست از یک مخزن تازه استفاده می‌کرد و ما به ازای هر ساختار، 10 نشست روی InMemoryStore و 10 نشست روی PostgresStore (با PostgreSQL 14) اجرا کردیم. ذخیره‌سازی داده توسط Alice در همه‌ی 80 نشست بدون مشکل انجام شد.

تصویر نتایج هر نشست را نشان می‌دهد:

  • کارخانه‌ی مستندات، ("memories",): ایجنت Bob ابزارهای ls و read_file را صدا زد و کد Alice را به او تحویل داد؛ در 10 نشست از 10 نشست روی هر مخزن.
  • کارخانه‌ی اختصاصی برای هر کاربر، ("users", rt.context.user_id): ایجنت Bob یک پوشه‌ی خالی را فهرست کرد و گفت کدی وجود ندارد؛ در 10 نشست از 10 نشست روی هر مخزن.
  • همان کارخانه، به اضافه‌ی یک ابزار recall که پیشوند ("users",) را می‌کاود: این همان ابزار ساده‌لوحانه‌ی بخش تفکیک فضای نام است که پیشوند آن یک برچسب کم دارد. مدل در پاسخ به سؤالی درباره‌ی مسیر /memories/ فقط از دستور ls استفاده کرد و در 20 نشست هیچ داده‌ای لو نرفت. اما وقتی از آن خواسته شد از ابزار بازخوانی خود استفاده کند، recall را صدا زد و کد Alice را در 10 نشست از 10 نشست روی هر مخزن به Bob تحویل داد.
دو کاربر، یک ایجنت عمیق، و محل نگهداری فایل حافظهیک فضای نام ثابت در 20 نشست از 20 نشست کد آلیس را به باب داد، در حالی که فکتوری به‌ازای کاربر در 0 مورد از 20 نشست آن را فاش کرد.
دو کاربر، یک ایجنت عمیق، و محل نگهداری فایل حافظه چهار پیکربندی فضای نام در StoreBackend زیر /memories/، هر کدام برای 10 نشست روی InMemoryStore و PostgresStore با Qwen3 8B اجرا شدند. در هر نشست ابتدا آلیس از ایجنت می‌خواهد یک کد کمد را ذخیره کند، سپس باب در رشته‌ای جدید درخواست کد کمد را می‌دهد: در سه ردیف اول زیر /memories/ و در ردیف آخر از طریق ابزار بازخوانی. هر مربع یک نشست است. مثال مستندات: در InMemoryStore 10 از 10 کد ذخیره‌شده به باب گفته شد، در PostgresStore 10 از 10 کد ذخیره‌شده به باب گفته شد. به‌ازای کاربر: در InMemoryStore 0 از 10 کد به باب گفته شد، در PostgresStore 0 از 10 کد به باب گفته شد. به‌ازای کاربر + ابزار بازخوانی: در InMemoryStore 0 از 10 کد به باب گفته شد، در PostgresStore 0 از 10 کد به باب گفته شد. همان حالت، باب درخواست بازخوانی می‌دهد: در InMemoryStore 10 از 10 کد ذخیره‌شده به باب گفته شد، در PostgresStore 10 از 10 کد ذخیره‌شده به باب گفته شد. فکتوری فضای نام هر مربع یک نشست: اول آلیس سپس باب مثال مستندات namespace=lambda _rt: ('memories',) آلیس می‌نویسد: ("memories") باب می‌خواند: ("memories") InMemoryStore 10 of 10 PostgresStore 10 of 10 به‌ازای کاربر namespace=lambda rt: ('users', rt.context.user_id) آلیس می‌نویسد: ("users","alice") باب می‌خواند: ("users","bob") InMemoryStore 0 of 10 PostgresStore 0 of 10 به‌ازای کاربر + ابزار بازخوانی همان فایل‌ها به‌همراه ابزاری که ('users',) را جست‌وجو می‌کند باب /memories/ را می‌خواهد؛ مدل فقط پوشهٔ او را لیست می‌کند InMemoryStore 0 of 10 PostgresStore 0 of 10 همان حالت، باب بازخوانی می‌خواهد همان فایل‌ها و ابزار؛ باب می‌گوید: از recall استفاده کن ابزار بازخوانی (",users") و همهٔ کاربران زیر آن را می‌خواند InMemoryStore 10 of 10 PostgresStore 10 of 10 سرخ: پاسخ باب کد آلیس را داشت. کهربایی: ابزار باب می‌توانست برسد ولی استفاده نشد. بنفش: باب دسترسی نداشت. خاکستری: ذخیرهٔ آلیس ناموفق بود. تعداد، موارد ذخیره‌شده است. مدل Qwen3 8B روی مک، دما 0، یک استور تازه به‌ازای هر نشست.
هر مربع نمایانگر یک نشست است، مدل Qwen3 8B روی مک، دما 0، یک استور تازه به‌ازای هر نشست، 10 نشست در هر ردیف. رنگ سرخ نشست‌هایی است که پاسخ باب حاوی کد آلیس بوده است. برگرفته از capture/lab/summary/store-namespace-mac.json.

نتیجه‌ی آزمون ابزار recall، درس اصلی این تصویر است. بک‌اندِ فایلی که به ازای هر کاربر تعریف شده بود کاربران را جدا نگه داشت؛ اما یک ابزار که پیشوند کوتاه‌تری را جستجو می‌کرد همه‌چیز را به باد داد، و مدل به محض اینکه کاربر نام آن ابزار را برد از آن استفاده کرد. اینکه یک مدل داده لو بدهد یا نه به پرامپت بستگی دارد؛ بنابراین مسیر حرکت داده‌ها را بسنجید، نه فقط پاسخ‌های خروجی را. در یک نشست دیگر، Bob از ایجنت خواست بدون بردن نام /memories/، «حافظه‌ی بلندمدتت را بررسی کن». ایجنت هیچ ابزاری را فراخوانی نکرد و گفت که هیچ حافظه‌ای ندارد.

این کارخانه شناسه کاربر را از زمینه‌ی اجرا می‌خواند؛ زمینه‌ای که کد شما مقداردهی می‌کند. برای ایجنت یک context_schema تعریف کنید و شناسه کاربر را در هر فراخوانی بفرستید:

یک فکتوری فضای نام به‌ازای هر کاربر capture/lab/T23-sec-store-namespace-mac/code/store6_agent.py
class Ctx:
    user_id: str
…
    "per-user": {"ns": lambda rt: ("users", rt.context.user_id), "recall": False, …},
…
    backend = CompositeBackend(default=StateBackend(), routes={"/memories/": StoreBackend(namespace=cfg["ns"])})
…
    agent = create_deep_agent(model=model, backend=backend, store=store, context_schema=Ctx, system_prompt=SYSTEM, tools=tools, checkpointer=InMemorySaver())
…
                                    context=Ctx(user_id=user), stream_mode="updates", subgraphs=True):

چهار بخش برش‌خورده از کد اجرا. cfg["ns"] همان تابع لامبدای پیکربندی به‌ازای کاربر است.

دو اعتبارسنج، فضای نام را بررسی می‌کنند و قواعدشان هم‌خوانی ندارد. StoreBackend حروف، اعداد و کاراکترهای -_.@+:~ را مجاز می‌داند و کاراکتر * را رد می‌کند {{code libs/deepagents/deepagents/backends/store.py:44-87}}. در مقابل، خود مخزن وجود کاراکتر . را در هر برچسبی منع می‌کند. به همین دلیل اگر کارخانه‌ای آدرس ایمیلی مانند carol@acme.com را برمی‌گرداند، این مقدار از اعتبارسنجی اول رد می‌شد ولی عملیات نوشتن روی هر دو مخزن با خطای InvalidNamespaceError شکست می‌خورد. مستندات پیشنهاد می‌دهد مقدار rt.server_info.user.identity به عنوان برچسب ارسال شود. اگر شناسه‌های سیستم شما از نوع آدرس ایمیل است، ابتدا هر کدام را به برچسبی بدون نقطه مپ کنید.

ما فراخوانی‌های خام مخزن در بخش تفکیک فضای نام را هم یک بار دیگر روی InMemoryStore و PostgresStore اجرا کردیم. با قرار داشتن Alice و Bob ذیل ("users", <user>, ...), این فراخوانی‌ها آیتم‌ها یا فضاهای نامِ هر دو کاربر را برگرداندند: search(("users",))، search(())، list_namespaces() و list_namespaces(prefix=("users", "*")). دستور search(("users", "*", "memories")) هیچ داده‌ای برنگرداند؛ چون * فقط در متد list_namespaces نویسه عمومی محسوب می‌شود.

دو نقص در SqliteStore

در طول همین اجراها دو نقص در نگارش 3.1.3 کتابخانه‌ی SqliteStore پیدا شد. این مشکلات نوع ذخیره‌سازی داده‌ها و نحوه‌ی محاسبه‌ی امبدینگ‌ها را تغییر می‌دهند، ولی باعث تداخل داده‌ی کاربران نمی‌شوند:

  • پس از اجرای متد delete، ردیف آیتم پاک می‌شود، اما ردیف متناظر با آن در جدول store_vectors باقی می‌ماند: 2 ردیف قبل از حذف و 2 ردیف پس از آن. در تعریف جدول عبارت ON DELETE CASCADE آمده است، اما SqliteStore هرگز کلیدهای خارجی SQLite را فعال نمی‌کند؛ بنابراین حذف آبشاری اجرا نمی‌شود. این موضوع در قالب ایشوی باز #8757 ثبت شده است {{issue 8757}}. در نتیجه، جستجو دیگر آن آیتم را برنمی‌گرداند.
  • مخزن SqliteStore فیلدهای شاخص را از کلید text_fields می‌خواند؛ در حالی که InMemoryStore، PostgresStore و داک‌استرینگ SqliteStore همگی از fields استفاده می‌کنند {{code libs/checkpoint-sqlite/langgraph/store/sqlite/base.py}}. با تعیین fields=["text"]، این مخزن کل آیتم را امبد کرد و ردیف‌های برداری آن فیلد $ را گرفتند.
سطرهای برداری باقی‌مانده پس از حذف capture/lab/T14-stores-mac/05-orphan-vectors.txt
users.alice.memories|k1|$|3072
users.bob.memories|k1|$|3072

استفاده از PostgresStore به همراه شاخص به افزونه‌ی pgvector نیاز دارد که پایگاه‌داده Postgres ما نداشت. این اجرا و همچنین بررسی مجوزهای مخزن در Agent Server، همان‌طور که در بخش 8.8 آمده است، در ویرایش بعدی بررسی خواهند شد.

منابع: capture/s_persist.py، capture/out/33-store.txt، capture/out/44-store-agent.txt؛ capture/lab/summary/stores-mac.json، capture/lab/T14-stores-mac/01-memory-sqlite.jsonl، capture/lab/T14-stores-mac/02-inmemory-getop-side-effect.txt، capture/lab/T14-stores-mac/03-postgres.jsonl، capture/lab/T14-stores-mac/04-index.jsonl، capture/lab/T14-stores-mac/05-orphan-vectors.txt؛ فایل‌های libs/checkpoint/langgraph/store/base/init.py، libs/checkpoint/langgraph/store/memory/init.py، libs/checkpoint-sqlite/langgraph/store/sqlite/base.py و libs/checkpoint-postgres/langgraph/store/postgres/base.py در langgraph 1.2.22؛ docs.langchain.com در کامیت 04d4d4a مستندات (بخش‌های oss/python/langgraph/stores و oss/python/langchain/long-term-memory)؛ ایشوی گیت‌هاب langchain-ai/langgraph#8757 و هشدارهای امنیتی GHSA-47pj-3jcm-6whg و GHSA-6hmw-9432-67qq؛ capture/lab/summary/store-namespace-mac.json، capture/lab/T23-sec-store-namespace-mac/store6_free.json، capture/lab/T23-sec-store-namespace-mac/store6-agent-memory.jsonl، capture/lab/T23-sec-store-namespace-mac/store6-agent-postgres.jsonl؛ libs/deepagents/deepagents/backends/store.py در deepagents 0.7.38؛ docs.langchain.com در کامیت 04d4d4a مستندات (بخش oss/python/deepagents/backends).