Pular para o conteúdo principal
Última atualização em

memória do agente deAI

A memória permite que agentes AI se lembrem de informações do início da conversa ou de conversas anteriores. Isso permite que os agentes forneçam respostas contextuais e criem experiências personalizadas ao longo do tempo. Use Databricks Lakebase, um banco de dados Postgres OLTP totalmente gerenciado, para gerenciar o estado e a história da conversa.

Requisitos​

Memória de curto prazo versus memória de longo prazo​

A memória de curto prazo captura o contexto de uma única sessão de conversa, enquanto a memória de longo prazo extrai e armazena informações key ao longo de várias conversas. Você pode construir seu agente com um ou ambos os tipos de memória.

Agentes com memória de curto e longo prazo

memória de curto prazo

memória de longo prazo

Capture o contexto em uma única sessão de conversa usando IDs de tópicos e pontos de verificação.

Mantenha o contexto para perguntas de acompanhamento durante a sessão.

Extrair e armazenar automaticamente key em várias sessões.

Personalize as interações com base em preferências anteriores.

Construa uma base de conhecimento sobre os usuários que melhore as respostas ao longo do tempo.

Comece agora​

Para criar um agente com memória no Databricks Apps, clone um aplicativo padrão pré-construído e siga o fluxo de trabalho de desenvolvimento descrito em Criar um agente AI e implantá-lo no Apps. O padrão a seguir demonstra como adicionar memória de curto e longo prazo a agentes usando frameworks populares.

LangGraph

Utilize o seguinte padrão baseado em LangGraph para adicionar memória ao seu agente. Esses padrões utilizam o checkpointing integrado do LangGraph com o Lakebase para gerenciamento de estado durável.

  • Memória de curto prazo : Clone o padrão agent-langgraph-short-term-memory para construir um agente LangGraph que mantenha o contexto da conversa dentro de uma sessão. O padrão utiliza IDs de threads e checkpoints do LangGraph, com suporte do Lakebase, para persistir o estado da conversa.

    Bash
    git clone https://github.com/databricks/app-templates.git
    cd app-templates/agent-langgraph-short-term-memory

  • Memória de longo prazo : Clone o padrão agent-langgraph-long-term-memory para construir um agente LangGraph que memorize informações key em várias conversas. O padrão extrai e armazena automaticamente as credenciais do usuário no Lakebase, permitindo interações personalizadas ao longo do tempo.

    Bash
    git clone https://github.com/databricks/app-templates.git
    cd app-templates/agent-langgraph-long-term-memory

SDK de Agentes OpenAI

Utilize o seguinte padrão baseado SDKde Agentes OpenAI para adicionar memória ao seu agente. Este padrão utiliza as sessões SDK de Agentes OpenAI com o Lakebase para gerenciamento de estado persistente.

  • Memória de curto prazo : Clone o padrão agent-openai-agents-sdk-short-term-memory para criar um agente usando o SDK de Agentes OpenAI com gerenciamento automático do histórico de conversas. O padrão persiste os dados da sessão no Lakebase, permitindo conversas com estado e múltiplas interações sem a necessidade de gerenciamento manual de memória.

    Bash
    git clone https://github.com/databricks/app-templates.git
    cd app-templates/agent-openai-agents-sdk-short-term-memory

implantar e consultar seu agente​

Após configurar seu agente com memória, siga os passos descritos em Criar um agente AI e implantá-lo no Databricks Apps para executar seu agente localmente, avaliá-lo e implantá-lo no Databricks Apps.

Próximos passos​