Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Note
Questo è un approccio legacy. Per i nuovi agenti, usa la memoria gestita dell'agente e le sessioni gestite dell'agente, che Azure Databricks esegue su Lakebase per te. Vedi Altri modi per costruire agenti.
La memoria dell'agente autogestito usa Databricks Lakebase, un database OLTP Postgres completamente gestito, come archivio di memoria durevole per gli agenti. Usare questo approccio quando è necessario l'accesso SQL diretto alle memorie (ad esempio, per integrare la memoria con pipeline di dati esistenti o per usare uno schema personalizzato) o quando è necessaria la memoria a breve termine supportata da Lakebase. Questo approccio richiede di gestire lo schema del database, la configurazione della connessione e i controlli di accesso.
Se non hai bisogno di accesso SQL diretto o di uno schema personalizzato, usa invece la memoria dell'agente gestita, che Azure Databricks gestisce per te. Per un confronto dei due approcci, vedere Memoria dell'agente.
Requisiti
- Abilitare Le app di Databricks nell'area di lavoro. Vedere Configurare l'area di lavoro e l'ambiente di sviluppo di Databricks Apps.
- Istanza di Lakebase. Vedere Ottenere un database Postgres.
Memoria a breve termine e a lungo termine
La memoria autogestita supporta sia la memoria a breve termine sia quella a lungo termine, ed è possibile creare l'agente con una o entrambe:
- La memoria a breve termine mantiene il contesto in una singola sessione di conversazione utilizzando gli ID dei thread e il checkpointing. Mantiene il contesto per le domande successive durante una sessione.
- La memoria a lungo termine estrae e archivia le informazioni chiave tra più conversazioni. Personalizza le interazioni in base alle preferenze precedenti e crea una knowledge base sugli utenti che migliorano le risposte nel tempo.
Per altre informazioni sul funzionamento dei tipi di memoria, vedere Memoria dell'agente.
Get started
Per creare un agente con memoria su Databricks Apps, clona un template di app preconfigurato e segui il flusso di sviluppo descritto in Run agents on Databricks Apps usando il legacy agent server. I modelli seguenti illustrano come aggiungere memoria a breve termine e a lungo termine agli agenti usando framework diffusi.
LangGraph
Clonare il modello agent-langgraph-advanced per creare un agente LangGraph con memoria a breve termine e a lungo termine. Il modello usa il checkpointing integrato di LangGraph con Lakebase per la gestione durevole dello stato, incluso il contesto di conversazione basato su thread e gli insight utente persistenti tra le sessioni.
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-langgraph-advanced
OpenAI Agents SDK
Clonare il modello agent-openai-advanced per compilare un agente usando OpenAI Agents SDK con memoria a breve termine. Il modello usa Lakebase per la gestione dello stato durevole, abilitando conversazioni a più turni con stato con gestione automatica della cronologia delle conversazioni.
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-openai-advanced
Esecuzione in secondo piano per agenti a lunga durata
I modelli avanzati agent-langgraph-advanced e agent-openai-advanced estendono i modelli di base con memoria a breve termine ed esecuzione in background di lunga durata tramite LongRunningAgentServer di databricks-ai-bridge. Aggiungono modalità di streaming e in background che consentono alle attività dell'agente di continuare l'esecuzione oltre il timeout della connessione HTTP di Databricks Apps, con il supporto per il polling o la ripresa di una connessione di streaming per recuperare i risultati. Per il contratto client completo, vedere il file README del modello avanzato.
Distribuire e interrogare il tuo agente
Dopo aver configurato il tuo agente con la memoria, segui i passaggi in Esegui agenti su Databricks Apps usando il legacy agent server per eseguire localmente il tuo agente, valutarlo e distribuirlo nelle Databricks Apps.