Självhanterat agentminne (Lakebase)

Självhanterat agentminne använder Databricks Lakebase, en fullständigt hanterad Postgres OLTP-databas, som ett beständigt minneslager för dina agenter. Använd den här metoden när du behöver direkt SQL-åtkomst till minnen (till exempel för att integrera minne med befintliga datapipelines eller för att använda ett anpassat schema) eller när du behöver kortsiktigt minne som backas upp av Lakebase. Den här metoden kräver att du hanterar databasschemat, anslutningskonfigurationen och åtkomstkontrollerna.

Om du inte behöver direkt SQL-åtkomst eller ett anpassat schema använder du hanterat agentminne i stället, vilket Databricks styr via Unity Catalog. En jämförelse av de två metoderna finns i Agentminne.

Kravspecifikation

Kortsiktigt och långsiktigt minne

Självhanterat minne stöder både kortsiktigt och långsiktigt minne, och du kan skapa din agent med antingen eller båda:

  • Kortsiktigt minne fångar kontext i en enda konversationssession med hjälp av tråd-ID:er och kontrollpunkter. Den upprätthåller kontexten för uppföljningsfrågor i en session.
  • Långtidsminne extraherar och lagrar viktig information i flera konversationer. Den anpassar interaktioner baserat på tidigare inställningar och skapar en kunskapsbas om användare som förbättrar svar över tid.

Mer information om hur minnestyper fungerar finns i Agentminne.

Agenter med kortsiktigt och långsiktigt minne

Get started

Om du vill skapa en agent med minne i Databricks Apps klonar du en fördefinierad appmall och följer utvecklingsarbetsflödet som beskrivs i Skapa en agent och distribuera den i Appar. Följande mallar visar hur du lägger till kortsiktigt och långsiktigt minne till agenter med hjälp av populära ramverk.

LangGraph

Klona mallen agent-langgraph-advanced för att skapa en LangGraph-agent med både kortsiktigt och långsiktigt minne. Mallen använder LangGraphs inbyggda kontrollpunkter med Lakebase för hantering av varaktigt tillstånd, inklusive trådbaserad konversationskontext och beständiga användarinsikter mellan sessioner.

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

OpenAI Agents SDK

Klona mallen agent-openai-advanced för att skapa en agent med hjälp av OpenAI Agents SDK med kortsiktigt minne. Mallen använder Lakebase för att hantera varaktigt tillstånd, vilket möjliggör tillståndsmedvetna dialoger över flera turer, med automatisk hantering av konversationshistorik.

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

Bakgrundsprocesser för långkörande agenter

De avancerade mallarna agent-langgraph-advanced och agent-openai-advanced utökar basmallarna med kortsiktigt minne och långvarig bakgrundskörning via LongRunningAgentServer från databricks-ai-bridge. De inför bakgrunds- och strömningslägen som gör att agentuppgifter kan fortsätta köras efter att tidsgränsen för HTTP-anslutningen i Databricks Apps har uppnåtts, med stöd för pollning eller för att återuppta en strömningsanslutning för att hämta resultat. Det fullständiga klientkontraktet finns i den avancerade mallen README.

Distribuera och fråga din agent

När du har konfigurerat din agent med minne följer du stegen i Redigera en agent och distribuerar den i Appar för att köra din agent lokalt, utvärdera den och distribuera den till Databricks Apps.

Nästa steg

  • Last updated on