15天学会AI应用开发（十九）使用LangGraph实现持久记忆功能

上一篇文章介绍了如何使用InMemoryStore实现用户偏好的精确记忆功能但记忆只保留在内存中一旦AI应用重启就会丢失上次在内存中的记忆数据。为了让AI应用持久记忆业务数据就得引入文件或者数据库等存储介质比如Python自带的轻量级数据库SQLite。接下来就介绍如何结合LangGraph与SQLite实现业务数据的持久记忆功能。一、Python中的SQLite用法安装Python时已经自带了SQLite包在代码开头添加下面导包语句即可引入SQLite包import sqlite3sqlite3的connect方法可创建SQLite的数据库连接同时指定数据库的文件名称及其保存路径。若只填数据库文件名则默认保存在当前程序目录下。connect方法返回的连接类型为Connection它的常用方法说明如下backup备份数据库。close关闭数据库连接。commit提交数据变更。rollback回滚数据变更。二、LangGraph中的SQLite组件LangGraph中的SQLite组件包括SqliteStore和SqliteSaver其中SqliteStore位于langgraph包而SqliteSaver位于langgraph-checkpoint-sqlite插件。在命令行窗口执行下面命令即可安装LangChain及其用到的Ollama插件以及数据库记忆功能需要的LangGraph及其SQLite插件pip install langchain langchain-core langchain-ollama langgraph langgraph-checkpoint-sqlite由于之前使用的离线大模型Qwen2:1.5B不支持tool工具调用因此得下载支持tool工具调用的离线大模型Qwen2.5:3B也就是在命令行窗口执行下面命令即可下载大模型qwen2.5:3bollama pull qwen2.5:3b等待大模型下载完毕在命令行窗口执行下面命令即可启动Ollama并加载大模型ollama serve三、使用SQLite组件持久保存偏好数据与之前使用InMemoryStore保存记忆数据相比引入SQLite插件之后的代码修改部分说明如下1、先导入SQLite状态保存器SqliteSaver和SQLite数据保存器SqliteStore的所在包接着创建SQLite数据库连接再根据数据库连接分别创建状态保存器实例和数据保存器实例。示例代码如下import sqlite3 # 使用SqliteStore替换InMemoryStore from langgraph.store.sqlite import SqliteStore from langgraph.checkpoint.sqlite import SqliteSaver # 创建数据库连接 check_conn sqlite3.connect(agent.db, check_same_threadFalse, isolation_levelNone) # 状态保存器保存对话线程运行状态自动建 checkpoints / writes 表 checkpointer SqliteSaver(check_conn) # 创建数据库连接 store_conn sqlite3.connect(agent.db, check_same_threadFalse, isolation_levelNone) # 数据保存器保存用户事实 / 工具记忆自动建 store_namespaces / store_items 表 store_db SqliteStore(store_conn)2、在创建大模型实例时既要将温度参数temperature设为0表示严格按照提示词执行也要将工具选择参数tool_choice设为any表示强制模型必须调用工具。示例代码如下llm ChatOllama( modelqwen2.5:3b, temperature0.0, # 0温度消除随机胡思乱想严格按prompt执行 num_ctx8192 ) # 关键提前绑定工具强制工具策略 tools_list [remember_user_preference, get_user_preference] # tool_choiceany 等价required强制模型必须输出工具调用 llm_temp llm.bind_tools(tools_list, tool_choiceany)3、在调用create_agent创建智能体实例时把store参数改为上一步创建的数据保存器实例store_db把checkpointer参数改为上一步创建的状态保存器实例checkpointer还要编写提示词参数system_prompt指定详细的工具调用规则。示例代码如下# 用户提到喜欢什么东西时会调用remember_user_preference工具用户询问喜欢什么东西时会调用get_user_preference工具。 agent create_agent( modelllm, context_schemaContext, toolstools_list, storestore_db, checkpointercheckpointer, system_prompt 你是用户记忆助手严格遵守以下规则 1. 只要用户主动说出自己的喜好、偏好比如喜欢的颜色、食物、风格**无论之前是否存储过同类偏好就必须调用 remember_user_preference 工具更新覆盖**不能跳过工具直接回答 2. 只要用户主动询问自己的偏好就调用 get_user_preference 工具查询 3. 禁止省略存储工具用户修改原有喜好必须调用工具更新数据 4. 工具调用完成后再向用户自然回复。 )4、在调用智能体实例的invoke方法时增加传入config参数指定SQLite组件所需的线程编号。示例代码如下# 调用离线大模型 result agent.invoke( {messages: [HumanMessage(contentuser_input)]}, contextContext(user_iduser_123), config{configurable: {thread_id: session-001}} )运行修改后的Python代码根据提示输入问题内容“我喜欢蓝色”输出日志结果如下用户我喜欢蓝色 AI我已经记住了你现在喜欢的颜色是蓝色。如果你有其他颜色的偏好或者想要改变现有的偏好请告诉我停止当前AI应用进程重新运行Python代码根据提示输入问题内容“我喜欢什么颜色”输出日志结果如下用户我喜欢什么颜色 AI您现在最喜欢的颜色是蓝色。如果有其他问题或需要进一步帮助请随时告诉我由日志信息发现在应用程序重启前后AI应用均能正确回答用户的颜色偏好并且当前目录找到了数据库文件agent.db。可见在引入LangGraph的SQLite组件之后LangChain成功实现了用户数据的持久记忆功能。本系列的AI应用开发文章目录为《15天学会AI应用开发全目录零基础小白零Token消耗》。