15天学会AI应用开发（十九）使用LangGraph实现持久记忆功能

import sqlite3

pip install langchain langchain-core langchain-ollama langgraph langgraph-checkpoint-sqlite

ollama pull qwen2.5:3b

ollama serve

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_thread=False, isolation_level=None)
# 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_thread=False, isolation_level=None)
# 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)

llm = ChatOllama(
    model="qwen2.5:3b",
    temperature=0.0,  # 0温度，消除随机胡思乱想，严格按prompt执行
    num_ctx=8192
    )
# 关键：提前绑定工具+强制工具策略
tools_list = [remember_user_preference, get_user_preference]
# tool_choice="any" 等价required，强制模型必须输出工具调用
llm_temp = llm.bind_tools(tools_list, tool_choice="any")

# 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(
    model=llm,
    context_schema=Context,
    tools=tools_list,
    store=store_db,
    checkpointer=checkpointer,
    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。
    """
)

    # 调用离线大模型
    result = agent.invoke(
        {"messages": [HumanMessage(content=user_input)]},
        context=Context(user_id="user_123"),
        config={"configurable": {"thread_id": "session-001"}}
    )

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！

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！