Memória de agente autogerida (Lakebase)

A memória autogerida dos agentes utiliza o Databricks Lakebase, uma base de dados Postgres OLTP totalmente gerida, como um armazenamento de memória durável para os seus agentes. Use esta abordagem quando precisar de acesso SQL direto às memórias (por exemplo, para integrar memória com pipelines de dados existentes ou para usar um esquema personalizado), ou quando precisar de memória de curto prazo suportada por Lakebase. Esta abordagem exige que gere o esquema da base de dados, a configuração da ligação e os controlos de acesso.

Se não precisares de acesso SQL direto ou de um esquema personalizado, usa memória de agente gerida , que o Databricks gere através do Unity Catalog. Para uma comparação das duas abordagens, veja Memória do Agente.

Requerimentos

Memória de curto e longo prazo

A memória autogerida suporta tanto a memória de curto prazo como a memória de longo prazo, e pode criar o seu agente com uma delas ou com ambas:

  • Memória de curto prazo capta o contexto numa única sessão de conversação, usando IDs de tópicos e pontos de verificação. Mantém o contexto para perguntas de seguimento durante a sessão.
  • A memória de longo prazo extrai e armazena informações-chave através de múltiplas conversas. Personaliza as interações com base nas preferências passadas e constrói uma base de conhecimento sobre os utilizadores que melhora as respostas ao longo do tempo.

Para saber mais sobre como funcionam os tipos de memória, veja Memória do Agente.

Agentes com memória de curto e longo prazo

Introdução

Para criar um agente com memória nas Databricks Apps, clone um modelo de aplicação pré-construído e siga o fluxo de trabalho de desenvolvimento descrito em Criar um agente e implemente-o nas Apps. Os modelos seguintes demonstram como adicionar memória de curto e longo prazo a agentes usando frameworks populares.

LangGraph

Clone o modelo agent-langgraph-advanced para construir um agente LangGraph com memória de curto e longo prazo. O template utiliza o ponto de verificação incorporado do LangGraph com o Lakebase para uma gestão de estados durável, incluindo contexto de conversação por threads e informações persistentes sobre o utilizador ao longo das sessões.

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

SDK de agentes OpenAI

Clone o modelo agent-openai-advanced para construir um agente usando o SDK OpenAI Agents com memória de curto prazo. O template utiliza o Lakebase para uma gestão de estado duradoura, permitindo conversas de múltiplos turnos com preservação de estado e gestão automática do histórico de conversação.

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 expandem os modelos de base com memória de curto prazo e execução em segundo plano de longa duração através de LongRunningAgentServer do databricks-ai-bridge. Adicionam modos em segundo plano e de streaming que permitem que as tarefas do agente continuem a correr para além do tempo limite da ligação HTTP das aplicações Databricks, com suporte para sondagem ou retoma de uma ligação em streaming para obter resultados. Para o contrato completo do cliente, consulte o modelo avançado README.

Implemente e consulte o seu agente

Depois de configurar o seu agente com memória, siga os passos em Criar um agente e implemente-o nas Apps para executar o seu agente localmente, avaliá-lo e implementá-lo nas Apps Databricks.

Passos seguintes

  • Last updated on