Mémoire d'agent auto-gérée (Lakebase)
Ancien
Il s'agit d'une ancienne approche. Pour les nouveaux agents, utilisez la mémoire de l'agent et les sessions de l'agent, que Databricks exécute pour vous sur Lakebase. Pour en savoir plus sur les offres d'agents anciennes, consultez Offres d'agents anciennes.
La mémoire d'agent auto-gérée utilise Databricks Lakebase, une base de données Postgres OLTP entièrement managée, en tant que magasin de mémoire durable pour vos agents. Utilisez cette approche lorsque vous avez besoin d'un accès SQL direct aux mémoires (par exemple, pour intégrer la mémoire à des pipelines de données existants ou pour utiliser un schéma personnalisé), ou lorsque vous avez besoin d'une mémoire à court terme sauvegardée par Lakebase. Cette approche vous oblige à gérer le schéma de la base de données, la configuration de la connexion et les contrôles d'accès.
Si vous n’avez pas besoin d’un accès SQL direct ou d’un schéma personnalisé, utilisez plutôt la mémoire des agents, que Databricks gère pour vous. Pour une comparaison entre les deux approches, voir Mémoire des agents.
Exigences
- Activez les Databricks Apps dans votre Workspace. Consultez Configurez votre Workspace Databricks Apps et votre environnement de développement.
- Une instance Lakebase. Consultez Obtenir une base de données Postgres.
Mémoire à court et à long terme.
La mémoire autogérée prend en charge la mémoire à court terme et à long terme, et vous pouvez créer votre agent avec l'une ou l'autre, ou les deux :
- La mémoire à court terme capture le contexte dans une seule session de conversation à l'aide d'ID de thread et de points de contrôle. Il maintient le contexte pour les questions de suivi au sein d'une session.
- **La mémoire à long terme** extrait et stocke les informations clés de plusieurs conversations. Il personnalise les interactions en fonction des préférences passées et développe une base de connaissances sur les utilisateurs qui améliore les réponses au fil du temps.
Pour en savoir plus sur le fonctionnement des types de mémoire, consultez Mémoire d’agent.
Get start
Pour créer un agent doté d’une mémoire sur Databricks Apps, clonez un template d’application préconstruit et suivez le flux de travail de développement décrit dans la section Exécuter des agents sur Databricks Apps en utilisant le serveur d’agent hérité. Les Template suivants montrent comment ajouter une mémoire à court terme et à long terme aux agents à l’aide de frameworks populaires.
LangGraph
Clonez le agent-langgraph-advanced Template pour créer un agent LangGraph doté d'une mémoire à court et à long terme. Le Template utilise le point de contrôle intégré de LangGraph avec Lakebase pour une gestion durable de l'état, y compris le contexte de conversation basé sur les threads et les insights utilisateurs persistants entre les sessions.
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-langgraph-advanced
SDK OpenAI Agents
Clonez le Template agent-openai-advanced pour créer un agent à l'aide du SDK OpenAI Agents avec mémoire à court terme. Le Template utilise Lakebase pour la gestion durable de l'état, permettant des conversations multi-tours avec état et une gestion automatique de l'historique des conversations.
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-openai-advanced
Exécution en arrière-plan pour les agents de longue durée.
Les Template avancés agent-langgraph-advanced et agent-openai-advanced étendent les Template de base avec une mémoire à court terme et une exécution en arrière-plan de longue durée via LongRunningAgentServer de databricks-ai-bridge. Ils ajoutent des modes d'arrière-plan et de streaming qui permettent aux tâches d'agent de continuer à s'exécuter au-delà du délai d'expiration de la connexion HTTP de Databricks Apps, avec prise en charge de l'interrogation ou de la reprise d'une connexion de streaming pour récupérer les résultats. Pour le contrat client complet, voir le README du Template avancé.
Déployez et query votre agent
Après avoir configuré la mémoire de votre agent, suivez les étapes de la rubrique Exécuter des agents sur Databricks Apps à l'aide du serveur d'agents hérité pour exécuter votre agent localement, l'évaluer et le déployer sur Databricks Apps.