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, använd istället agentminne, som Azure Databricks hanterar åt dig. En jämförelse av de två metoderna finns i Agentminne.

Kravspecifikation

• Aktivera Databricks-appar på din arbetsyta. Se Konfigurera din Databricks Apps-arbetsyta och utvecklingsmiljö.
• En Lakebase-instans. Se Hämta en Postgres-databas.

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.

Get started

För att skapa en agent med minne på Databricks Apps, klona en förbyggd appmall och följ utvecklingsarbetsflödet som beskrivs i Kör agenter på Databricks Apps med den äldre agentservern. 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

Efter att du konfigurerat din agent med minne, följ stegen i Kör agenter på Databricks Apps med den äldre agentservern för att köra din agent lokalt, utvärdera den och distribuera den till Databricks Apps.

Ytterligare resurser

• Agentminne och sessioner
• Kör agenter på Databricks Apps med den äldre agentservern
• MCPs