Zprostředkovatel paměti Neo4j

Zprostředkovatel paměti Neo4j poskytuje agentům Agent Framework trvalou paměť podporovanou grafem znalostí. Na rozdíl od poskytovatelů RAG, kteří načítají ze statických znalostních bází, poskytovatel paměti ukládá a odvolává interakce agentů, automaticky extrahuje entity a vytváří graf znalostí v průběhu času.

Poskytovatel spravuje tři typy paměti:

• Krátkodobá paměť: Historie konverzací a nedávný kontext
• Dlouhodobá paměť: Entity, předvolby a fakta extrahované z interakcí
• Paměť uvažování: Stopy uvažování a vzory použití nástrojů z minulosti

Proč používat Neo4j pro paměť agenta?

• Trvalost znalostních grafů: Vzpomínky se ukládají jako propojené entity, ne ploché záznamy, takže agent může mít důvod k vztahům mezi věcmi, které si pamatuje.
• Automatická extrakce entit: Konverzace se analyzují do strukturovaných entit a relací bez ručního návrhu schématu.
• Připomenutí napříč relacemi: Předvolby, fakta a stopy uvažování se uchovávají napříč relacemi a automaticky se zobrazí prostřednictvím zprostředkovatelů kontextu.

Poznámka:

Neo4j nabízí dvě samostatné integrace pro Agent Framework. Tento poskytovatel (neo4j-agent-memory) je určený pro trvalou paměť – ukládání a odvolávání interakcí agentů, extrahování entit a vytváření znalostního grafu v průběhu času. Pro použití GrafRAG z existujícího znalostního grafu pomocí vektorového, fulltextového nebo hybridního vyhledávání viz Neo4j GraphRAG Context Provider.

Poznámka:

Balíček .NET (AgentMemory) je nezávislý komunitní .NET port poskytovatele paměti Neo4j Labs – nejedná se o oficiální balíček Neo4j Labs. Informace o zdroji a podrobnostech najdete v úložišti AgentMemory (.NET).

Předpoklady

• Instance Neo4j (v místním prostředí nebo Neo4j AuraDB)
• Nasazení služby Azure OpenAI nebo Microsoft Foundry (chatovací model + embeddingový model)
• Proměnné prostředí nastaveny: NEO4J_URI, NEO4J_USERNAME, NEO4J_PASSWORD a AZURE_OPENAI_ENDPOINT
• přihlašovací údaje nakonfigurované v Azure CLI (az login) nebo klíč API
• .NET 8.0 nebo novější

Instalace

dotnet add package AgentMemory
dotnet add package AgentMemory.AgentFramework

Využití

using Azure.AI.OpenAI;
using Azure.Identity;
using Microsoft.Agents.AI;
using Microsoft.Extensions.AI;
using Microsoft.Extensions.DependencyInjection;
using Microsoft.Extensions.Hosting;
using AgentMemory;
using AgentMemory.Abstractions.Services;
using AgentMemory.AgentFramework;
using AgentMemory.AgentFramework.Tools;

var builder = Host.CreateApplicationBuilder(args);

// Registers Core + Neo4j infrastructure in one call (reads NEO4J_URI / NEO4J_USERNAME /
// NEO4J_PASSWORD, falling back to local-dev defaults). Passing configureLlm opts in to
// LLM-backed entity/fact/preference extraction, using the IChatClient registered below.
builder.Services.AddNeo4jAgentMemory(
    configureMemory: _ => { },
    configureNeo4j: neo4j =>
    {
        neo4j.Uri = Environment.GetEnvironmentVariable("NEO4J_URI") ?? "bolt://localhost:7687";
        neo4j.Username = Environment.GetEnvironmentVariable("NEO4J_USERNAME") ?? "neo4j";
        neo4j.Password = Environment.GetEnvironmentVariable("NEO4J_PASSWORD") ?? "password";
    },
    configureLlm: _ => { });

// Any Microsoft.Extensions.AI-compatible chat + embedding client works
var azureClient = new AzureOpenAIClient(
    new Uri(Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT")!), new DefaultAzureCredential());
builder.Services.AddSingleton(azureClient.GetChatClient("gpt-4o-mini").AsIChatClient());
builder.Services.AddSingleton(azureClient.GetEmbeddingClient("text-embedding-3-small").AsIEmbeddingGenerator());

// AutoExtractOnPersist builds the knowledge graph from every conversation turn
builder.Services.AddAgentMemoryFramework(options =>
{
    options.AutoExtractOnPersist = true;
    options.ContextFormat.IncludeEntities = true;
    options.ContextFormat.IncludeFacts = true;
    options.ContextFormat.IncludePreferences = true;
});

using var host = builder.Build();
await using var scope = host.Services.CreateAsyncScope();
var services = scope.ServiceProvider;

// Bootstraps Neo4j schema/indexes on first run (idempotent)
await services.GetRequiredService<ISchemaBootstrapper>().BootstrapAsync();

var memoryProvider = services.GetRequiredService<Neo4jMemoryContextProvider>();
var memoryTools = services.GetRequiredService<MemoryToolFactory>().CreateAIFunctions();

// WithMemoryOwnerScoping wraps the whole invocation — recall, the tool-calling loop, and
// persistence — in the owner scope set by WithMemoryIdentity below, so no manual
// BeginOwnerScope call is needed around RunAsync.
AIAgent agent = services.GetRequiredService<IChatClient>().AsAIAgent(new ChatClientAgentOptions
{
    ChatOptions = new ChatOptions
    {
        Instructions = "You are a helpful assistant with persistent memory.",
        Tools = [.. memoryTools],
    },
    AIContextProviders = [memoryProvider],
}).WithMemoryOwnerScoping(services);

var session = (await agent.CreateSessionAsync())
    .WithMemoryIdentity(userId: "user-123", sessionId: "session-1", applicationId: "my-app");

var response = await agent.RunAsync("Remember that I prefer window seats on flights.", session);

Klíčové funkce

• Obousměrný: Neo4jMemoryContextProvider připomíná relevantní paměť před každým spuštěním a udržuje novou paměť po – nevyžaduje ruční zapojení.
• Extrakce entit: Vytváří graf znalostí z konverzací s konfigurovatelným kanálem extrakce (AutoExtractOnPersist)
• Učení preferencí: vyvozuje a ukládá uživatelské preference, fakta a entity, které se automaticky vyvolají zcela novým AgentSession pro stejného uživatele
• Paměťové nástroje: MemoryToolFactory zpřístupňují AIFunction, aby model mohl explicitně vyhledávat, pamatovat si a znovu vybavovat informace
• Přednostně pro dependency injection: registrace pomocí AddNeo4jAgentMemory (interně propojí Core a Neo4j) a AddAgentMemoryFramework, takže přirozeně zapadá do aplikací Generic Host a ASP.NET Core
• Kromě rozhraní Agent Framework: Stejná knihovna se také integruje s klienty Sémantické jádro a MCP a zahrnuje integrovanou pozorovatelnost OpenTelemetry.

Zdroje

• Úložiště AgentMemory (.NET)
• Stránka balíčku NuGet
• Ukázka: Maloobchodní asistent s AgentMemory

Předpoklady

• Instance Neo4j (v místním prostředí nebo Neo4j AuraDB)
• Projekt Azure AI Foundry s nasazeným modelem chatu
• Klíč rozhraní API OpenAI nebo nasazení Azure OpenAI (pro vkládání a extrakci entit)
• Proměnné prostředí nastavena: NEO4J_URI, NEO4J_PASSWORD, FOUNDRY_PROJECT_ENDPOINT, FOUNDRY_MODEL, OPENAI_API_KEY
• Nakonfigurované přihlašovací údaje Azure CLI (az login)
• Python 3.10 nebo novější

Instalace

pip install neo4j-agent-memory[microsoft-agent]

Využití

import os
from pydantic import SecretStr
from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient
from azure.identity.aio import AzureCliCredential
from neo4j_agent_memory import MemoryClient, MemorySettings
from neo4j_agent_memory.integrations.microsoft_agent import (
    Neo4jMicrosoftMemory,
    create_memory_tools,
)

# Pass Neo4j and embedding configuration directly via constructor arguments.
# MemorySettings also supports loading from environment variables or .env files
# using the NAM_ prefix (e.g. NAM_NEO4J__URI, NAM_EMBEDDING__MODEL).
settings = MemorySettings(
    neo4j={
        "uri": os.environ["NEO4J_URI"],
        "username": os.environ.get("NEO4J_USERNAME", "neo4j"),
        "password": SecretStr(os.environ["NEO4J_PASSWORD"]),
    },
    embedding={
        "provider": "openai",
        "model": "text-embedding-3-small",
    },
)

memory_client = MemoryClient(settings)

async with memory_client:
    memory = Neo4jMicrosoftMemory.from_memory_client(
        memory_client=memory_client,
        session_id="user-123",
    )
    tools = create_memory_tools(memory)

    async with AzureCliCredential() as credential, Agent(
            client=FoundryChatClient(
            credential=credential,
            project_endpoint=os.environ["FOUNDRY_PROJECT_ENDPOINT"],
            model=os.environ["FOUNDRY_MODEL"],
        ),
        instructions="You are a helpful assistant with persistent memory.",
        tools=tools,
        context_providers=[memory.context_provider],
    ) as agent:
        session = agent.create_session()
        response = await agent.run("Remember that I prefer window seats on flights.", session=session)

Klíčové funkce

• Obousměrný: Automaticky načte relevantní kontext před vyvoláním a uloží nové vzpomínky po odpovědích.
• Extrakce entit: Vytvoří graf znalostí z konverzací pomocí kanálu extrakce s více fázemi.
• Učení předvoleb: Odvozování a ukládání uživatelských předvoleb napříč relacemi
• Nástroje pro paměť: Agenti můžou explicitně prohledávat paměť, pamatovat si předvolby a vyhledávat připojení entit.

Zdroje

• Úložiště paměti agenta Neo4j
• Stránka balíčku PyPI
• Ukázka: Asistent pro maloobchod s pamětí agenta Neo4j
• Workshop: Poskytovatelé kontextu Neo4j pro framework agentů

Poznámka:

Podpora této funkce v Go již brzy. Nejnovější stav najdete v úložišti Agent Framework Go .

Další kroky

Neo4j GraphRAG Context Provider