Compartir a través de

Paso 4: Memoria y persistencia

Agregue contexto al agente para que pueda recordar las preferencias del usuario, las interacciones pasadas o los conocimientos externos.

Configura la memoria con una configuración personalizada ChatHistoryProvider:

using System;
using Azure.AI.OpenAI;
using Azure.Identity;
using Microsoft.Agents.AI;

var endpoint = Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT")
    ?? throw new InvalidOperationException("Set AZURE_OPENAI_ENDPOINT");
var deploymentName = Environment.GetEnvironmentVariable("AZURE_OPENAI_DEPLOYMENT_NAME") ?? "gpt-4o-mini";

AIAgent agent = new AzureOpenAIClient(new Uri(endpoint), new AzureCliCredential())
    .GetChatClient(deploymentName)
    .AsAIAgent(instructions: "You are a friendly assistant. Keep your answers brief.", name: "MemoryAgent");

Use una sesión para conservar el contexto entre ejecuciones:

AgentSession session = await agent.CreateSessionAsync();

Console.WriteLine(await agent.RunAsync("Hello! What's the square root of 9?", session));
Console.WriteLine(await agent.RunAsync("My name is Alice", session));
Console.WriteLine(await agent.RunAsync("What is my name?", session));

Sugerencia

Consulte el ejemplo completo para obtener el archivo ejecutable completo.

Defina un proveedor de contexto que inserte contexto adicional en cada llamada de agente:

class UserNameProvider(BaseContextProvider):
    """A simple context provider that remembers the user's name."""

    def __init__(self) -> None:
        super().__init__(source_id="user-name-provider")
        self.user_name: str | None = None

    async def before_run(
        self,
        *,
        agent: Any,
        session: AgentSession,
        context: SessionContext,
        state: dict[str, Any],
    ) -> None:
        """Called before each agent invocation — add extra instructions."""
        if self.user_name:
            context.instructions.append(f"The user's name is {self.user_name}. Always address them by name.")
        else:
            context.instructions.append("You don't know the user's name yet. Ask for it politely.")

    async def after_run(
        self,
        *,
        agent: Any,
        session: AgentSession,
        context: SessionContext,
        state: dict[str, Any],
    ) -> None:
        """Called after each agent invocation — extract information."""
        for msg in context.input_messages:
            text = msg.text if hasattr(msg, "text") else ""
            if isinstance(text, str) and "my name is" in text.lower():
                # Simple extraction — production code should use structured extraction
                self.user_name = text.lower().split("my name is")[-1].strip().split()[0].capitalize()

Cree un agente con el proveedor de contexto:

credential = AzureCliCredential()
client = AzureOpenAIResponsesClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    deployment_name=os.environ["AZURE_OPENAI_RESPONSES_DEPLOYMENT_NAME"],
    credential=credential,
)

memory = UserNameProvider()

agent = client.as_agent(
    name="MemoryAgent",
    instructions="You are a friendly assistant.",
    context_providers=[memory],
)

Nota:

En Python, los proveedores de historial controlan la persistencia y la memoria. Un BaseHistoryProvider es también un BaseContextProvider, y InMemoryHistoryProvider es la implementación local integrada. RawAgent puede agregar InMemoryHistoryProvider("memory") automáticamente casos específicos (por ejemplo, cuando se usa una sesión sin proveedores de contexto configurados y ningún indicador de almacenamiento del lado del servicio), pero esto no está garantizado en todos los escenarios. Si siempre desea la persistencia local, agregue un valor InMemoryHistoryProvider explícitamente. Asegúrese también de que solo un proveedor de historial tenga load_messages=True, por lo que no se reproducen varios almacenes en la misma invocación.

También puede agregar un almacén de auditoría anexando un proveedor de historial adicional al final de context_providers con store_context_messages=True.

from agent_framework import InMemoryHistoryProvider

memory_store = InMemoryHistoryProvider("memory", load_messages=True)
audit_store = InMemoryHistoryProvider(
    "audit",
    load_messages=False,
    store_context_messages=True,  # include context added by other providers
)

agent = client.as_agent(
    name="MemoryAgent",
    instructions="You are a friendly assistant.",
    context_providers=[memory, memory_store, audit_store],  # audit store last
)

Ejecútelo: el agente ahora tiene acceso al contexto:

session = agent.create_session()

# The provider doesn't know the user yet — it will ask for a name
result = await agent.run("Hello! What's the square root of 9?", session=session)
print(f"Agent: {result}\n")

# Now provide the name — the provider extracts and stores it
result = await agent.run("My name is Alice", session=session)
print(f"Agent: {result}\n")

# Subsequent calls are personalized
result = await agent.run("What is 2 + 2?", session=session)
print(f"Agent: {result}\n")

print(f"[Memory] Stored user name: {memory.user_name}")

Sugerencia

Consulte el ejemplo completo para obtener el archivo ejecutable completo.

Pasos siguientes

Paso 5: Flujos de trabajo

Vaya más profundamente:

  • Last updated on