Neo4j memóriaszolgáltató

A Neo4j memóriaszolgáltató az Agent Framework-ügynököknek egy tudásgráf által támogatott állandó memóriát biztosít. A statikus tudásbázisokból lekérhető RAG-szolgáltatókkal ellentétben a memóriaszolgáltató tárolja és visszahívja az ügynökök interakcióit, automatikusan kinyeri az entitásokat, és idővel létrehoz egy tudásgráfot.

A szolgáltató három memóriatípust kezel:

  • Rövid távú memória: Beszélgetési előzmények és legutóbbi környezet
  • Hosszú távú memória: Interakciókból kinyert entitások, preferenciák és tények
  • Érvelési memória: Korábbi érvelési nyomkövetések és eszközhasználati minták

Miért érdemes a Neo4j-t használni az ügynök memóriájához?

  • Tudásgráfok megőrzése: Az emlékek csatlakoztatott entitásokként vannak tárolva, nem pedig egybesimított rekordokként, így az ügynök meg tudja indokolni az emlékező dolgok közötti kapcsolatokat.
  • Automatikus entitáskinyerés: A beszélgetések strukturált entitásokba és kapcsolatokba vannak elemezve manuális sématervezés nélkül.
  • Munkamenetek közötti visszahívás: A beállítások, a tények és az érvelési nyomkövetések a munkamenetek során is megmaradnak, és a környezetszolgáltatókon keresztül automatikusan felszínre lépnek.

Megjegyzés:

A Neo4j két különálló integrációt kínál az Agent Frameworkhez. Ez a szolgáltató (neo4j-agent-memory) az állandó memória tárolására és visszahívására, az entitások kinyerésére és egy tudásgráf létrehozására használható. Ha egy meglévő tudásgráfból származó GraphRAG-t vektoros, teljes szöveges vagy hibrid kereséssel használ, tekintse meg a Neo4j GraphRAG környezetszolgáltatót.

Ez a szolgáltató még nem érhető el a C#-hoz. Használati példákért tekintse meg a Python lapot.

Előfeltételek

  • Neo4j-példány (saját üzemeltetésű vagy Neo4j AuraDB)
  • Azure AI Foundry-projekt üzembe helyezett csevegőmodellel
  • OpenAI API-kulcs vagy Azure OpenAI-telepítés (beágyazáshoz és entitáskinyeréshez)
  • Környezeti változók készlete: NEO4J_URI, NEO4J_PASSWORD, FOUNDRY_PROJECT_ENDPOINT, FOUNDRY_MODELOPENAI_API_KEY
  • Konfigurált Azure CLI-hitelesítő adatok (az login)
  • Python 3.10 vagy újabb verzió

Installation

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

Usage

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)

Legfontosabb funkciók

  • Kétirányú kommunikáció: Automatikusan lekéri a releváns környezetet a meghívás előtt, és a válaszok után menti az új adatokat
  • Entitáskinyerés: Többfázisú kinyerési folyamattal készít tudásgráfot beszélgetésekből
  • Preferencia-tanulás: Felhasználói beállításokat következtet és tárol a munkamenetek között
  • Memóriaeszközök: Az ügynökök explicit módon kereshetnek a memóriában, megjegyezhetik a beállításokat, és entitáskapcsolatokat kereshetnek

Resources

Következő lépések

Neo4j GraphRAG Context Provider

  • Last updated on