使用Microsoft Agent Framework链接外部存储资源-程序员充电站

在构建生成式 AI 应用时，我们经常面临一个关键挑战：“记忆管理（Memory Management）”。在简单的 Demo 中，我们通常把聊天记录（Chat History）直接存在内存的List<ChatMessage>中，这很容易。但在实际的生产环境，尤其是构建无状态（Stateless）的 Web API 时，这种方式就完全不够用了：

服务器重启，内存里的数据丢失
负载均衡导致请求落在不同服务器，导致上下文无法共享
用户刷新浏览器，session 消失
多终端（App / Web）无法共享对话历史

因此，我们需要将“记忆”托管到一个外部存储中，例如：

向量数据库（Azure AI Search / pgvector）
Redis
Cosmos DB
SQL / NoSQL 数据库
任意持久化服务

本节我们将使用 Microsoft Agent Framework 来演示如何通过实现自定义的ChatMessageStore，将 AI 的记忆托管给外部存储。示例中我们采用 InMemory VectorStore（仅用于演示），你可以替换为任意数据库。

引用包

需要的 NuGet 包：
- Azure.AI.OpenAI (2.1.0)
- Azure.Identity (1.18.0-beta.2)
- Microsoft.Agents.AI.OpenAI (1.0.0-preview.251125.1)
- Microsoft.Extensions.AI.OpenAI (10.0.1-preview.1.25571.5)
- Microsoft.SemanticKernel.Connectors.InMemory (1.67.1-preview)

可选：使用命令行安装

dotnet add package Azure.AI.OpenAI --version 2.1.0 dotnet add package Azure.Identity --version 1.18.0-beta.2 dotnet add package Microsoft.Agents.AI.OpenAI --version 1.0.0-preview.251125.1 dotnet add package Microsoft.Extensions.AI.OpenAI --version 10.0.1-preview.1.25571.5 dotnet add package Microsoft.SemanticKernel.Connectors.InMemory --version 1.67.1-preview

我们这一节中使用Microsoft.SemanticKernel.Connectors.InMemory包来实现一个简单的内存存储。关于更多的第三方存储实现，可以参考： Semantic Kernel与Postgres向量存储

引用外部包后，我们就可以开始编写代码了。老生常谈，基础配置请参考：使用 Microsoft Agent Framework 构建你的第一个 Agent 应用

组装 Agent：注入自定义 ChatMessageStore

在创建 Agent 时，通过ChatMessageStoreFactory参数，告诉框架如何为每个AgentThread创建消息存储器。

AIAgent agent = new AzureOpenAIClient( new Uri(endpoint), new AzureCliCredential()) .GetChatClient(deploymentName) .CreateAIAgent(new ChatClientAgentOptions { Instructions = "你是一位江湖说书人，擅长用幽默、接地气的方式讲笑话和故事。", Name = "Joker", ChatMessageStoreFactory = ctx => { return new VectorChatMessageStore(vectorStore, ctx.SerializedState, ctx.JsonSerializerOptions); } });

接着我们就可以使用这个 Agent 来进行对话了。

// 创建线程并运行对话 AgentThread thread = agent.GetNewThread(); // 运行代理，传入线程以存储对话历史记录在向量存储中。 Console.WriteLine(await agent.RunAsync("给我讲一个发生在茶馆里的段子，轻松一点的那种。", thread)); // 序列化线程状态，以便稍后使用。 JsonElement serializedThread = thread.Serialize(); Console.WriteLine("\n--- Serialized thread ---\n"); Console.WriteLine(JsonSerializer.Serialize(serializedThread, new JsonSerializerOptions { WriteIndented = true })); // 反序列化线程状态以恢复对话。 AgentThread resumedThread = agent.DeserializeThread(serializedThread); // 继续与代理对话，传入恢复的线程以访问以前的对话历史记录。 Console.WriteLine(await agent.RunAsync("现在把这个段子加上一些表情符号，并用说书人的语气再讲一遍。", resumedThread)); // 我们能够通过线程的 GetService 方法访问 VectorChatMessageStore，如果我们需要读取存储线程的键。 var messageStore = resumedThread.GetService<VectorChatMessageStore>()!; Console.WriteLine($"\n线程唯一ID存储在向量数据库中: {messageStore.ThreadDbKey}"); Console.WriteLine("\n--- 完成 ---\n");

接下来我们定义VectorChatMessageStore来实现存储逻辑。

internal sealedclassVectorChatMessageStore : ChatMessageStore { privatereadonly VectorStore _vectorStore; public VectorChatMessageStore(VectorStore vectorStore, JsonElement serializedStoreState, JsonSerializerOptions? jsonSerializerOptions = null) { this._vectorStore = vectorStore ?? thrownew ArgumentNullException(nameof(vectorStore)); if (serializedStoreState.ValueKind is JsonValueKind.String) { this.ThreadDbKey = serializedStoreState.Deserialize<string>(); } } publicstring? ThreadDbKey { get; privateset; } public override async Task AddMessagesAsync(IEnumerable<ChatMessage> messages, CancellationToken cancellationToken = default) { this.ThreadDbKey ??= Guid.NewGuid().ToString("N"); var collection = this._vectorStore.GetCollection<string, ChatHistoryItem>("ChatHistory"); await collection.EnsureCollectionExistsAsync(cancellationToken); await collection.UpsertAsync(messages.Select(x => new ChatHistoryItem() { Key = this.ThreadDbKey + x.MessageId, Timestamp = DateTimeOffset.UtcNow, ThreadId = this.ThreadDbKey, SerializedMessage = JsonSerializer.Serialize(x), MessageText = x.Text }), cancellationToken); } publicoverrideasync Task<IEnumerable<ChatMessage>> GetMessagesAsync(CancellationToken cancellationToken = default) { var collection = this._vectorStore.GetCollection<string, ChatHistoryItem>("ChatHistory"); await collection.EnsureCollectionExistsAsync(cancellationToken); var records = await collection .GetAsync( x => x.ThreadId == this.ThreadDbKey, 10, new() { OrderBy = x => x.Descending(y => y.Timestamp) }, cancellationToken) .ToListAsync(cancellationToken); var messages = records.ConvertAll(x => JsonSerializer.Deserialize<ChatMessage>(x.SerializedMessage!)!); messages.Reverse(); return messages; } public override JsonElement Serialize(JsonSerializerOptions? jsonSerializerOptions = null) => JsonSerializer.SerializeToElement(this.ThreadDbKey); /// <summary> /// /// </summary> privatesealedclassChatHistoryItem { [VectorStoreKey] publicstring? Key { get; set; } [VectorStoreData] publicstring? ThreadId { get; set; } [VectorStoreData] public DateTimeOffset? Timestamp { get; set; } [VectorStoreData] publicstring? SerializedMessage { get; set; } [VectorStoreData] publicstring? MessageText { get; set; } } }

实现存储逻辑

需要继承ChatMessageStore并重写关键方法。

存（AddMessagesAsync）：不存内存，直接写库。
取（GetMessagesAsync）：通过 ID 去库里查，按时间排序。
序列化（Serialize）：当系统要求 Agent “序列化当前状态”时，只返回 ID。

public override JsonElement Serialize(JsonSerializerOptions? options = null) => // 哪怕聊了 100 句，序列化结果也只是一个轻量级的 ID 字符串 JsonSerializer.SerializeToElement(this.ThreadDbKey);