Редис

Redis поддерживает различные шаблоны контекста в пакетах SDK. В .NET подключите поиск Redis к универсальному TextSearchProvider шаблону для RAG. Пакет Redis agent Framework предоставляет поставщики памяти и журнала бесед для поиска Python.

Pattern API SDK Behavior
ТРЯПКА TextSearchProvider с адаптером поиска Redis .NET Извлекает соответствующее содержимое Redis перед вызовом или с помощью средства поиска по запросу.
Память, доступная для поиска RedisContextProvider Python Извлекает сведения о беседах и извлекает соответствующий контекст с полным текстом или гибридным векторным поиском.
История беседы RedisHistoryProvider Python Сохраняет и перезагружает точный расшифровку сообщений для сеанса.

Добавление RAG с помощью TextSearchProvider

Используйте шаблон независимо от TextSearchProvider поставщика для .NET. Реализуйте свой адаптер поиска с помощью клиента Redis или соединителя векторного хранилища, выбранного приложением, сопоставите результаты TextSearchProvider.TextSearchResultRedis и подключите поставщика через AIContextProviders.

Этот подход поддерживает RAG с поддержкой Redis, не требуя пакета контекста агента Redis.

Установите пакет

pip install agent-framework-redis --pre

Добавление памяти для поиска

Используйте этот шаблон, если агент должен отозвать выбранные соответствующие сведения, а не воспроизвести каждое предыдущее сообщение.

Необходимые условия

  • Развертывание Redis с поддержкой RediSearch, например Redis Stack или совместимой управляемой службой.
  • Развертывание проекта и модели Microsoft Foundry для примера агента.
  • Поставщик внедрения при включении гибридного векторного поиска.

Настройка памяти с возможностью поиска

Используйте application_id, agent_idа также user_id для секционирования памяти. Добавьте векторизатор Redis и параметры векторного поля, если требуется гибридное извлечение.

# Create a provider with partition scope and OpenAI embeddings

# Please set OPENAI_API_KEY to use the OpenAI vectorizer.
# For chat responses, also set FOUNDRY_PROJECT_ENDPOINT and FOUNDRY_MODEL.

# We attach an embedding vectorizer so the provider can perform hybrid (text + vector)
# retrieval. If you prefer text-only retrieval, instantiate RedisContextProvider without the
# 'vectorizer' and vector_* parameters.
vectorizer = OpenAITextVectorizer(
    model="text-embedding-ada-002",
    api_config={"api_key": os.getenv("OPENAI_API_KEY")},
    cache=EmbeddingsCache(name="openai_embeddings_cache", redis_url=REDIS_URL),
)
# The provider manages persistence and retrieval. application_id/agent_id/user_id
# scope data for multi-tenant separation; thread_id (set later) narrows to a
# specific conversation.
provider = RedisContextProvider(
    source_id="redis_context",
    redis_url=REDIS_URL,
    index_name="redis_basics",
    application_id="matrix_of_kermits",
    agent_id="agent_kermit",
    user_id="kermit",
    redis_vectorizer=vectorizer,
    vector_field_name="vector",
    vector_algorithm="hnsw",
    vector_distance_metric="cosine",
)

Подключение памяти к агенту

Добавьте поставщика context_providersв . Поставщик сохраняет сведения о беседах после выполнения и отображает соответствующий контекст до последующих запусков.

# Create chat client for the agent
client = create_chat_client()
# Create agent wired to the Redis context provider. The provider automatically
# persists conversational details and surfaces relevant context on each turn.
agent = Agent(
    client=client,
    name="MemoryEnhancedAssistant",
    instructions=(
        "You are a helpful assistant. Personalize replies using provided context. "
        "Before answering, always check for stored context"
    ),
    tools=[],
    context_providers=[provider],
)

# Teach a user preference; the agent writes this to the provider's memory
query = "Remember that I enjoy glugenflorgle"
result = await agent.run(query)
print("User: ", query)
print("Agent: ", result)

# Ask the agent to recall the stored preference; it should retrieve from memory
query = "What do I enjoy?"
result = await agent.run(query)

Сохранение журнала бесед

Используйте этот шаблон, когда сеанс должен восстановить полную расшифровку после перезапуска приложения или другого экземпляра.

Необходимые условия

  • Доступное развертывание REDIS_URLRedis.
  • TLS и прошедшие проверку подлинности пользователи Redis для рабочих развертываний.

Присоединение RedisHistoryProvider через context_providers. Поставщик сохраняет сообщения для сеанса и может ограничить количество сохраненных сообщений.

async def example_manual_memory_store() -> None:
    """Basic example of using Redis history provider."""
    print("=== Basic Redis History Provider Example ===")

    # Create Redis history provider
    redis_provider = RedisHistoryProvider(
        source_id="redis_basic_chat",
        redis_url=REDIS_URL,
    )

    # Create agent with Redis history provider
    agent = Agent(
        client=OpenAIChatClient(),
        name="RedisBot",
        instructions="You are a helpful assistant that remembers our conversation using Redis.",
        context_providers=[redis_provider],
    )

    # Create session
    session = agent.create_session()

    # Have a conversation
    print("\n--- Starting conversation ---")
    query1 = "Hello! My name is Alice and I love pizza."
    print(f"User: {query1}")
    response1 = await agent.run(query1, session=session)
    print(f"Agent: {response1.text}")

    query2 = "What do you remember about me?"
    print(f"User: {query2}")
    response2 = await agent.run(query2, session=session)
    print(f"Agent: {response2.text}")

Используйте стабильный идентификатор сеанса и сохраните сериализованный AgentSession в доверенном хранилище приложений, когда клиенты должны возобновить ту же логическую беседу после перезапуска процесса.

Замечание

Интеграция контекста Redis с поставщиком в настоящее время не описана для Agent Framework Go. Сведения о последнем состоянии см. в репозитории Agent Framework Go .

Факторы, учитываемые при производстве

  • Производный клиент, поиск, память и области сеансов от удостоверения приложения, прошедшего проверку подлинности, а не выходных данных модели.
  • Используйте tls, проверку подлинности Redis и сетевую изоляцию.
  • Используйте отдельные префиксы ключей или развертывания, в которых требуется изоляция клиента.
  • Настройте сохраняемость, резервные копии, хранение и вытеснение для требуемой устойчивости.
  • Обрабатывать полученную память как ненадежные входные данные и устранять непрямую внедрение запросов.
  • Редактировать конфиденциальное содержимое перед сохранением сообщений или индексированием содержимого, доступным для поиска.

Дальнейшие действия

Использование RAG с TextSearchProvider

Mem0

Узнайте, как работают поставщики контекстов

Вернитесь глубже:

  • Last updated on