Memória de agente autogerenciada (Lakebase)

A memória do agente autogerenciado usa o Databricks Lakebase, um banco de dados OLTP do Postgres totalmente gerenciado, como um repositório de memória durável para seus agentes. Use essa abordagem quando precisar de acesso direto do SQL às memórias (por exemplo, para integrar a memória com pipelines de dados existentes ou usar um esquema personalizado) ou quando precisar de memória de curto prazo apoiada pelo Lakebase. Essa abordagem exige que você gerencie o esquema de banco de dados, a configuração da conexão e os controles de acesso.

Se você não precisar de acesso direto ao SQL ou de um esquema personalizado, use a memória do agente gerenciado , que o Databricks controla por meio do Catálogo do Unity. Para obter uma comparação das duas abordagens, consulte a memória do Agente.

Requirements

Memória de curto e longo prazo

A memória autogerenciada dá suporte à memória de curto e longo prazo, e você pode criar seu agente com um ou ambos:

  • A memória de curto prazo captura o contexto em uma única sessão de conversa usando IDs de thread e ponto de verificação. Ele mantém o contexto para perguntas subsequentes dentro de uma sessão.
  • A memória de longo prazo extrai e armazena informações importantes em várias conversas. Ele personaliza interações com base em preferências passadas e cria uma base de dados de conhecimento sobre usuários que melhora as respostas ao longo do tempo.

Para obter mais informações sobre como os tipos de memória funcionam, consulte a memória do Agente.

Agentes com memória de curto e longo prazo

Introdução

Para criar um agente com memória nos Aplicativos do Databricks, clone um modelo de aplicativo predefinido e siga o fluxo de trabalho de desenvolvimento descrito em Criar um agente e implantá-lo em Aplicativos. Os modelos a seguir demonstram como adicionar memória de curto e longo prazo aos agentes que usam estruturas populares.

LangGraph

Clone o template agent-langgraph-avançado para criar um agente LangGraph com memória de curto e longo prazo. O modelo usa o ponto de verificação interno do LangGraph com o Lakebase para gerenciamento de estado durável, incluindo contexto de conversa com base em threads e insights persistentes do usuário entre sessões.

git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-langgraph-advanced

SDK de agentes do OpenAI

Clone o modelo agent-openai-avançado para criar um agente usando o SDK de Agentes OpenAI com memória de curto prazo. O modelo usa o Lakebase para gerenciamento de estado durável, permitindo conversa com várias rodadas com estado e gerenciamento automático do histórico de conversas.

git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-openai-advanced

Execução em segundo plano para agentes de longa duração

Os modelos avançados agent-langgraph-advanced e agent-openai-advanced estendem os modelos básicos com memória de curto prazo e execução prolongada em segundo plano por meio de LongRunningAgentServer de databricks-ai-bridge. Eles adicionam modos de tela de fundo e streaming que permitem que as tarefas do agente continuem sendo executadas após o tempo limite de conexão HTTP do Databricks Apps, com suporte para sondagem ou retomada de uma conexão de streaming para recuperar resultados. Para obter o contrato de cliente completo, consulte o modelo avançado README.

Implantar e consultar seu agente

Depois de configurar seu agente com memória, siga as etapas em Criar um agente e implante-o em Aplicativos para executar seu agente localmente, avaliá-lo e implantá-lo nos Aplicativos do Databricks.

Próximas Etapas 

  • Last updated on