État et mémoire de l'agent
Bêta
À partir du 15 juin, Lakebase est disponible en bêta sur GCP. Consultez la disponibilité des régions pour les régions prises en charge.
Les agents ont besoin d'un stockage persistant pour maintenir le contexte entre les échanges et les sessions. Lakebase Autoscaling fournit un backend Postgres entièrement managé pour le stockage de l'état et de la mémoire de l'agent, s'intégrant en mode natif à l'authentification Databricks et s'adaptant automatiquement à votre charge de travail.
Mémoire à court terme et à long terme
Mémoire à court terme | Mémoire à long terme |
|---|---|
Capture le contexte au sein d'une seule session de conversation à l'aide des ID de fil de discussion et des points de contrôle. Permet aux agents de répondre aux questions de suivi en tenant compte des échanges précédents. | Extrait et stocke les insights clés sur plusieurs conversations. Permet d'obtenir des réponses personnalisées basées sur les interactions passées. Construit une base de connaissances utilisateur qui s'améliore au fil du temps. |
Vous pouvez implémenter l'un ou l'autre des types de mémoire, ou les deux, dans le même agent.
Options de déploiement
La mémoire d'agent basée sur Lakebase est prise en charge sur deux cibles de déploiement Databricks :
Databricks Apps : Déployez des agents sous forme d'applications interactives avec une mémoire à court ou à long terme, en utilisant les checkpointers LangGraph ou le SDK OpenAI Agents. Databricks gère automatiquement l'authentification entre l'application et Lakebase.
Model Serving : Déployez des agents vers des Endpoint de Model Serving avec des points de contrôle basés sur Lakebase. Prend en charge le time travel de LangGraph pour reprendre ou bifurquer des conversations à partir de n'importe quel point de contrôle. Voir Mémoire d'agent (Model Serving).
Mise en œuvre
Pour obtenir des instructions de configuration complètes, des Template d'application et des exemples de Notebook, consultez :