이 가이드는 배포의 크로스 스레드 store에 시맨틱 검색을 추가하는 방법을 설명합니다. 이를 통해 에이전트가 시맨틱 유사도를 기반으로 메모리 및 기타 문서를 검색할 수 있습니다.

​
사전 요구 사항

​
단계

  1. langgraph.json 설정 파일을 업데이트하여 store 구성을 포함시킵니다:
{
    ...
    "store": {
        "index": {
            "embed": "openai:text-embedding-3-small",
            "dims": 1536,
            "fields": ["$"]
        }
    }
}
이 구성은:
  • 임베딩 생성을 위해 OpenAI의 text-embedding-3-small 모델을 사용합니다
  • 임베딩 차원을 1536으로 설정합니다 (모델의 출력과 일치)
  • 저장된 데이터의 모든 필드를 인덱싱합니다 (["$"]는 모든 것을 인덱싱한다는 의미이며, ["text", "metadata.title"]과 같이 특정 필드를 지정할 수도 있습니다)
  1. 위의 문자열 임베딩 형식을 사용하려면 종속성에 langchain >= 0.3.8이 포함되어 있는지 확인하세요:
# In pyproject.toml
[project]
dependencies = [
    "langchain>=0.3.8"
]
또는 requirements.txt를 사용하는 경우: 
langchain>=0.3.8

​
사용법

구성이 완료되면 nodes에서 시맨틱 검색을 사용할 수 있습니다. store는 메모리를 구성하기 위해 namespace tuple이 필요합니다: 
def search_memory(state: State, *, store: BaseStore):
    # Search the store using semantic similarity
    # The namespace tuple helps organize different types of memories
    # e.g., ("user_facts", "preferences") or ("conversation", "summaries")
    results = store.search(
        namespace=("memory", "facts"),  # Organize memories by type
        query="your search query",
        limit=3  # number of results to return
    )
    return results

​
커스텀 임베딩

커스텀 임베딩을 사용하려면 커스텀 임베딩 함수의 경로를 전달할 수 있습니다: 
{
    ...
    "store": {
        "index": {
            "embed": "path/to/embedding_function.py:embed",
            "dims": 1536,
            "fields": ["$"]
        }
    }
}
배포는 지정된 경로에서 함수를 찾습니다. 함수는 async여야 하며 문자열 리스트를 받아야 합니다: 
# path/to/embedding_function.py
from openai import AsyncOpenAI

client = AsyncOpenAI()

async def aembed_texts(texts: list[str]) -> list[list[float]]:
    """Custom embedding function that must:
    1. Be async
    2. Accept a list of strings
    3. Return a list of float arrays (embeddings)
    """
    response = await client.embeddings.create(
        model="text-embedding-3-small",
        input=texts
    )
    return [e.embedding for e in response.data]

​
API를 통한 쿼리

LangGraph SDK를 사용하여 store를 쿼리할 수도 있습니다. SDK는 async 작업을 사용하므로: 
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  # number of results to return
    )
    return results

# Use in an async context
results = await search_store()
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I