Este artículo continúa una serie sobre un agente de IA LangGraph con estado que maneja un flujo de trabajo de reserva de 15 minutos. Envuelto en una interfaz Streamlit, el agente responde a consultas, calcula precios, propone horarios optimizados y confirma citas. Para convertirlo en un producto adecuado, el autor reemplaza los adaptadores en memoria por un backend dedicado.

Anteriormente, el sistema dependía de un checkpointer en memoria para el estado de la conversación y de una lista simple de Python para las reservas. Dado que la persistencia fallaba al reiniciar el proceso de demostración, la sesión A no podía ver las reservas creadas por la sesión B. El agente incluso ofrecía horarios basándose en una vista en memoria obsoleta, lo que arriesgaba doble reservación.

Implementar PostgreSQL soluciona estos problemas almacenando las reservas y la información del técnico en tablas relacionadas. Esto permite que múltiples frontends compartan el mismo backend de forma segura. Aunque el estado del grafo del agente sigue funcionando en memoria, la persistencia y la lógica de programación son gestionadas de forma segura por la base de datos, habilitando operaciones comerciales reales.

Entidades clave: Empresas: Towards Data Science