摘要：在构建高级 AI 助手时，一个核心需求是能够跨多个会话记住对话历史。用户期望能够随时中断对话，并在稍后返回时从上次离开的地方继续。Microsoft Agent Framework 提供了一套强大的工具，可以轻松实现对话的持久化。
在构建高级 AI 助手时，一个核心需求是能够跨多个会话记住对话历史。用户期望能够随时中断对话，并在稍后返回时从上次离开的地方继续。Microsoft Agent Framework 提供了一套强大的工具，可以轻松实现对话的持久化。
本文将通过一个具体的示例，演示如何序列化一个 Agent 对话线程，将其保存到数据库中，然后在需要时加载并恢复对话。
AIAgent: 代表我们的 AI 智能体，负责处理和响应用户输入。AgentThread: 代表一个独立的对话线程。它包含了对话的完整上下文和历史记录。序列化/反序列化: Agent Framework 允许我们将AgentThread对象转换为一种可存储的格式（如 JSON 字符串），并在以后将其转换回原始对象，从而恢复对话状态。首先，我们需要创建一个AIAgent实例。在这个例子中，我们使用 Azure OpenAI 服务。您需要提供终结点（Endpoint）和 API 密钥。var azureAiEndpoint = "https://var apiKey = "
AIAgent agent = new AzureOpenAIClient(
new Uri(azureAiEndpoint),
new ApiKeyCredential(apiKey))
.GetChatClient("gpt-4o-mini")
.CreateAIAgent(new ChatClientAgentOptions
{
Name = "智能助手",
Instructions = "你是一个智能助手，可以回答客户的问题.",
});
为了存储对话，我们使用 Entity Framework Core。首先，我们定义一个简单的 Conversation实体来保存对话 ID 和序列化后的上下文。然后，我们创建一个ConversationDbContext来与数据库交互。在这个例子中，我们使用 SQLite 作为我们的数据库，因为它轻量且易于设置。
以下是 Conversation实体和ConversationDbContext的定义：
public classConversation{
publicstring Id { get; set; }
publicstring Context { get; set; }
}
internalclassConversationDbContext: DbContext
{
public DbSet
protected override void OnConfiguring(DbContextOptionsBuilder optionsBuilder)
{
optionsBuilder.UseSqlite("Data Source=ConversationDb.db");
}
}
Conversation类很简单，Id作为唯一标识符，Context用来存储 JSON 格式的对话历史。ConversationDbContext通过OnConfiguring方法配置了 SQLite 数据库连接，并将Conversation实体映射到数据库中的Conversations当一个新对话开始时，我们创建一个新的AgentThread。在与 Agent 交互后，我们将该线程序列化为 JSON 字符串，并使用我们刚刚定义的将其保存到数据库中。// 1. 创建新线程并发起对话
var thread = agent.GetNewThread;
var response = await agent.RunAsync("谁是迈克尔杰克逊?", thread);
Console.WriteLine(response);
// 2. 将线程序列化为 JSON 字符串
string serializedJson = thread.Serialize(JsonSerializerOptions.Web).GetRawText;
// 3. 创建实体并保存到数据库
var conversation = new Conversation
{
Id = Guid.NewGuid.ToString,
Context = serializedJson
};
var db = new ConversationDbContext;
db.Database.EnsureCreated;
db.Conversations.Add(conversation);
await db.SaveChangesAsync;
此时，包含完整对话上下文的 JSON 字符串已经存储在 SQLite 数据库ConversationDb.db的Conversations
这是实现对话持久化最关键的一步。我们将从数据库中加载序列化的上下文，并将其“注入”回 Agent，从而恢复其记忆。
// 1. 从数据库加载已保存的对话var savedConversation = db.Conversations.First(c => c.Id == conversation.Id);
JsonElement reloaded = JsonSerializer.Deserialize
// 2. 使用相同的 Agent 实例反序列化线程，恢复对话历史
AgentThread resumedThread = agent.DeserializeThread(reloaded, JsonSerializerOptions.Web);
// 3. 继续对话
var resumedResponse = await agent.RunAsync("他的代表作品有哪些?", resumedThread);
Console.WriteLine(resumedResponse);
这里的核心是 agent.DeserializeThread方法。它接收之前存储的 JSON 上下文，并重建了包含所有历史消息的AgentThread对象。
当我们将这个 resumedThread传递给agent.RunAsync时，Agent 并不是从零开始。它能够“看到”整个对话历史。在我们的例子中：
第一轮对话：我们问了“谁是迈克尔杰克逊?”。对话被保存和恢复。第二轮对话：我们问“他的代表作品有哪些?”。由于resumedThread包含了第一轮对话的上下文，Agent 能够准确理解问题中的“他”指的就是“迈克尔·杰克逊”。它利用这个记忆来提供一个相关的、上下文感知的回答，而不是要求用户澄清或重复信息。这种无缝恢复上下文的能力，正是构建能够进行长期、有意义对话的智能助手的关键。
通过利用 Microsoft Agent Framework 内置的序列化功能和 Entity Framework Core，我们可以轻松地实现 Agent 对话的持久化。这种能力对于构建需要长期记忆和上下文感知能力的复杂、真实世界的 AI 应用程序至关重要。无论是用于客户支持、个人助理还是其他场景，持久化对话都能极大地提升用户体验和 Agent 的实用性。
来源：opendotnet