AI Agent / 系统课时
实现会话持久化
实现会话持久化
本篇解决智能体重启后无法恢复任务进度的问题,通过 SQLite 保存任务、步骤、消息、工具调用和执行结果,让 Agent 能够恢复上下文并继续执行。
学习目标
- 理解智能体需要持久化哪些运行数据。
- 掌握使用 SQLite 设计任务状态存储结构的方法。
- 能够实现基础的保存与恢复流程。
设计需要持久化的数据
智能体运行过程中会产生多个阶段的数据。任务记录描述整体目标,步骤记录当前执行位置,消息保存对话上下文,工具调用保存外部操作轨迹,执行结果用于恢复和审计。
常见的数据关系如下:任务包含多个步骤,步骤产生消息和工具调用。持久化时应避免只保存最终答案,否则无法恢复中断的执行流程。
使用 SQLite 建立存储层
SQLite 适合单机 Agent 或开发阶段使用,它不需要独立数据库服务,同时支持事务,可以保证状态写入的一致性。
下面示例创建一个简单的任务表和消息表,并提供保存任务消息的方法。
python
import sqlite3
from datetime import datetime
conn = sqlite3.connect("agent.db")
# 保存任务基础状态
conn.execute("""
CREATE TABLE IF NOT EXISTS tasks (
id TEXT PRIMARY KEY,
status TEXT NOT NULL,
updated_at TEXT NOT NULL
)
""")
conn.execute("""
CREATE TABLE IF NOT EXISTS messages (
id INTEGER PRIMARY KEY AUTOINCREMENT,
task_id TEXT NOT NULL,
role TEXT NOT NULL,
content TEXT NOT NULL
)
""")
conn.commit()
conn.execute(
"INSERT OR REPLACE INTO tasks VALUES (?, ?, ?)",
("task-001", "running", datetime.now().isoformat())
)
conn.execute(
"INSERT INTO messages(task_id, role, content) VALUES (?, ?, ?)",
("task-001", "assistant", "正在执行工具调用")
)
conn.commit()预期输出
text
SQLite 数据库 agent.db 创建成功
任务 task-001 状态保存为 running
消息记录写入成功恢复执行上下文
Agent 启动时需要根据任务 ID 加载最近状态。恢复流程通常包括读取任务状态、加载历史消息、检查未完成步骤,然后决定继续执行还是重新规划。
恢复时不要直接相信旧状态,应校验步骤是否完整,避免因为中途写入失败导致状态不一致。
持久化中的关键边界
事务是保证状态可靠性的核心。例如一次工具调用完成后,应同时更新步骤状态和保存工具结果,否则可能出现步骤已完成但结果丢失的问题。
生产环境中还需要增加索引、数据清理策略以及敏感信息脱敏,避免数据库无限增长。
本课总结
- 会话持久化让智能体具备断点恢复能力。
- SQLite 可以快速实现任务、消息和执行记录存储。
- 可靠恢复依赖完整的数据模型和一致性写入。
下一课预告
下一课将进一步处理长上下文问题,通过任务摘要压缩历史信息,让智能体在有限上下文窗口中继续工作。
按自己的节奏,确认真正理解。