Pular para o conteúdo principal
Última atualização em

Memória de agente autogerenciada (Lakebase)

A memória de agente autogerenciada usa o Lakebase do Databricks, um banco de dados OLTP Postgres totalmente gerenciado, como um armazenamento de memória durável para seus agentes. Use esta abordagem quando precisar de acesso SQL direto a memórias (por exemplo, para integrar memória com pipelines de dados existentes ou para usar um esquema personalizado), ou quando precisar de memória de curto prazo com suporte do Lakebase. Esta abordagem exige que você gerencie o esquema do banco de dados, a configuração da conexão e os controles de acesso.

Se você não precisar de acesso SQL direto ou um esquema personalizado, use memória de agente gerenciada, que o Databricks governa através do Unity Catalog. Para uma comparação das duas abordagens, consulte Memória do agente.

Requisitos​

Memória de curto e longo prazo​

A memória gerenciada automaticamente suporta memória de curto e longo prazo, e você pode construir seu agente com uma ou ambas:

  • A memória de curto prazo captura o contexto em uma única sessão de conversa usando IDs de thread e checkpointing. Ela mantém o contexto para perguntas de acompanhamento dentro de uma sessão.
  • A memória de longo prazo extrai e armazena informação key em várias conversas. Ele personaliza as interações com base em preferências passadas e constrói uma base de conhecimento sobre os usuários que melhora as respostas ao longo do tempo.

Para saber mais sobre como os tipos de memória funcionam, consulte Memória do agente.

Agentes com memória de curto e longo prazo

Começar​

Para criar um agente com memória no Databricks Apps, clone um padrão de aplicativo pré-construído e siga o fluxo de trabalho de desenvolvimento descrito em Crie um agente de AI e implantado em Aplicativos. Os padrões a seguir demonstram como adicionar memória de curto e longo prazo a agentes usando frameworks populares.

LangGraph​

Clone o padrão agent-langgraph-advanced para criar um agente LangGraph com memória de curto e longo prazo. O padrão usa o checkpointing integrado do LangGraph com o Lakebase para gerenciamento de estado durável, incluindo contexto de conversa baseado em thread e percepções persistentes do usuário em todas as sessões.

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

SDK de Agentes OpenAI​

Clone o padrão agent-openai-advanced para criar um agente usando o OpenAI Agents SDK com memória de curto prazo. O padrão usa o Lakebase para gerenciamento de estado durável, permitindo conversas com vários turnos com estado e gerenciamento automático da história de conversas.

Bash
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-openai-advanced

Execução em segundo plano para agentes de longa duração​

Os padrões avançados agent-langgraph-advanced e agent-openai-advanced estendem os padrões base com memória de curto prazo e execução em segundo plano de longa duração via LongRunningAgentServer de databricks-ai-bridge. Eles adicionam modos de segundo plano e transmissão que permitem que as tarefas do agente continuem em execução após o tempo limite de conexão HTTP dos Databricks Apps, com suporte para sondagem ou retomada de uma conexão de transmissão para recuperar resultados. Para o contrato completo do cliente, consulte o README do padrão avançado.

Implantar e consultar seu agente​

Depois de configurar seu agente com memória, siga os passos em Criar um agente de AI e implantá-lo nos Apps para fazer a execução do seu agente localmente, avaliá-lo e implantá-lo no Databricks Apps.

Próximos os passos​

Nesta página