Mem0

O Mem0 extrai memórias duradouras das conversas com agentes e recupera memórias relevantes em runs posteriores. Use um âmbito estável de utilizador, agente ou aplicação quando as memórias devem estar disponíveis entre sessões.

Esta integração utiliza o padrão de memória: extrai e recupera informação duradoura selecionada em vez de reproduzir a transcrição completa da conversa.

Importante

O Mem0 é um sistema de terceiros. Revise o tratamento dos dados, a retenção, os limites regionais e os termos de serviço antes de enviar os dados da candidatura.

Observação

A integração do Mem0 não está atualmente disponível para o Agent Framework .NET.

Instale o pacote

pip install agent-framework-mem0 --pre

Define MEM0_API_KEY ou passa diretamente uma chave API. Reutilizar o mesmo user_id torna as memórias disponíveis ao longo das sessões.

async def main() -> None:
    """Example of memory usage with Mem0 context provider."""
    print("=== Mem0 Context Provider Example ===")
    # Each record in Mem0 should be associated with agent_id or user_id or application_id.
    # In this example, we associate Mem0 records with user_id.
    user_id = str(uuid.uuid4())
    # For Azure authentication, run `az login` command in terminal or replace AzureCliCredential with preferred
    # authentication option.
    # For Mem0 authentication, set Mem0 API key via "api_key" parameter or MEM0_API_KEY environment variable.
    async with (
        AzureCliCredential() as credential,
        Agent(
            client=FoundryChatClient(credential=credential),
            name="FriendlyAssistant",
            instructions="You are a friendly assistant.",
            tools=retrieve_company_report,
            context_providers=[Mem0ContextProvider(source_id="mem0", user_id=user_id, search_user_id=user_id)],
        ) as agent,
    ):
        # First ask the agent to retrieve a company report with no previous context.
        # The agent will not be able to invoke the tool, since it doesn't know
        # the company code or the report format, so it should ask for clarification.
        query = "Please retrieve my company report"
        print(f"User: {query}")
        result = await agent.run(query)
        print(f"Agent: {result}\n")
        # Now tell the agent the company code and the report format that you want to use
        # and it should be able to invoke the tool and return the report.
        query = "I always work with CNTS and I always want a detailed report format. Please remember and retrieve it."
        print(f"User: {query}")
        result = await agent.run(query)
        print(f"Agent: {result}\n")

        # Mem0 processes and indexes memories asynchronously.
        # Wait for memories to be indexed before querying in a new thread.
        # In production, consider implementing retry logic or using Mem0's
        # eventual consistency handling instead of a fixed delay.
        print("Waiting for memories to be processed...")
        await asyncio.sleep(15)  # Empirically determined delay for Mem0 indexing
        print("\nRequest within a new session:")
        # Create a new session for the agent.
        # The new session has no context of the previous conversation.
        session = agent.create_session()
        # Since we have the mem0 component in the session, the agent should be able to
        # retrieve the company report without asking for clarification, as it will
        # be able to remember the user preferences from Mem0 component.
        query = "Please retrieve my company report"
        print(f"User: {query}")
        result = await agent.run(query, session=session)
        print(f"Agent: {result}")

O Mem0 processa memórias de forma assíncrona. Em produção, utilize retentativas ou gestão de consistência consciente do serviço em vez de depender de um atraso fixo.

Observação

A integração do Mem0 não está atualmente disponível para o Agent Framework Go. Consulte o repositório Agent Framework Go para o estado mais recente.

Passos seguintes

Microsoft Foundry

Vai mais fundo:

  • Last updated on