Este artigo continua uma série sobre um agente de IA LangGraph com estado que lida com um fluxo de trabalho de reserva de 15 minutos. Envolto em uma interface Streamlit, o agente responde a consultas, calcula preços, propõe horários otimizados e confirma compromissos. Para transformá-lo em um produto adequado, o autor substitui os adaptadores em memória por um backend dedicado.

Anteriormente, o sistema dependia de um checkpointer em memória para o estado da conversa e de uma simples lista Python para as reservas. Como a persistência falhava ao reiniciar o processo de demonstração, a sessão A não podia ver as reservas criadas pela sessão B. O agente até oferecia horários com base em uma visão em memória desatualizada, arriscando duplas reservas.

Implementar o PostgreSQL corrige esses problemas armazenando as reservas e as informações dos técnicos em tabelas relacionadas. Isso permite que vários frontends compartilhem o mesmo backend com segurança. Embora o estado do grafo do agente ainda funcione na memória, a persistência e a lógica de agendamento são gerenciadas com segurança pelo banco de dados, permitindo operações comerciais reais.

Entidades-chave: Empresas: Towards Data Science