Mem0

Mem0 extraherar hållbara minnen från agentkonversationer och hämtar relevanta minnen i senare körningar. Använd ett stabilt användar-, agent- eller programomfång när minnen ska vara tillgängliga mellan sessioner.

Den här integreringen använder minnesmönstret: det extraherar och återkallar vald varaktig information i stället för att spela upp den fullständiga konversationsavskriften igen.

Important

Mem0 är ett system från tredje part. Granska dess datahantering, kvarhållning, regionala gränser och tjänstvillkor innan du skickar programdata.

Anmärkning

Mem0-integrering är för närvarande inte tillgängligt för Agent Framework .NET.

Installera paketet

pip install agent-framework-mem0 --pre

Ange MEM0_API_KEY eller skicka en API-nyckel direkt. Om du återanvänder samma user_id sak blir minnen tillgängliga mellan sessioner.

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}")

Mem0 bearbetar minnen asynkront. I produktion använder du återförsök eller tjänstmedveten konsekvenshantering i stället för att förlita dig på en fast fördröjning.

Anmärkning

Mem0-integrering är för närvarande inte tillgängligt för Agent Framework Go. Se Agent Framework Go-lagringsplatsen för den senaste statusen.

Nästa steg

Microsoft Foundry

Gå djupare:

  • Last updated on