Dieser Beitrag setzt eine Reihe über einen zustandsbehafteten LangGraph-KI-Agenten fort, der einen 15-minütigen Buchungsworkflow verarbeitet. Eingebettet in eine Streamlit-UI beantwortet der Agent Abfragen, berechnet Preise, schlägt optimierte Zeitfenster vor und bestätigt Termine. Um daraus ein produktreifes Tool zu machen, ersetzt der Autor die In-Memory-Adapter durch ein dediziertes Backend.

Zuvor stützte sich das System auf einen In-Memory-Checkpointer für den Konversationsstatus und eine einfache Python-Liste für Buchungen. Da bei einem Neustart des Demo-Prozesses keine Persistenz stattfand, konnte Sitzung A keine von Sitzung B erstellten Buchungen sehen. Der Agent bot sogar Zeitfenster basierend auf einer veralteten In-Memory-Ansicht an, was das Risiko von Doppelbuchungen erhöhte.

Die Implementierung von PostgreSQL behebt diese Probleme, indem Buchungen und Technikerinformationen in verknüpften Tabellen gespeichert werden. Dies ermöglicht es mehreren Frontends, dasselbe Backend sicher zu nutzen. Obwohl der Graphzustand des Agents weiterhin im Speicher arbeitet, werden Persistenz und Scheduling-Logik sicher von der Datenbank verwaltet, was echte Geschäftsbetriebsszenarien ermöglicht.

Schlüsselentitäten: Unternehmen: Towards Data Science