Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Speicher ermöglicht es KI-Agenten, sich Informationen aus früheren Teilen einer Unterhaltung oder aus früheren Unterhaltungen zu merken. Dank Speicher liefern Agenten kontextbezogene Antworten und schaffen im Laufe der Zeit personalisierte Erlebnisse.
Verwenden Sie den Agentspeicher, wenn Ihr Agent folgendes ausführen soll:
- Denken Sie an Benutzereinstellungen, vergangene Entscheidungen oder angesammelten Kontext über Sitzungen hinweg.
- Teilen Sie Wissen und Vorlieben zwischen mehreren Agents und Projekten.
- Verbessern Sie die Genauigkeit und Effizienz im Laufe der Zeit.
Wählen Sie eine Speicheroption aus.
Azure Databricks hat zwei Ansätze für den Agentspeicher.
| Speicheroption | Am besten geeignet für: |
|---|---|
| Verwalteter Agentenspeicher (Beta) | Databricks verwaltet die speicherinfrastruktur, die durch Unity Catalog Governance gesichert ist. Unterstützt Agenten, die mit jedem beliebigen Framework erstellt wurden und benutzerspezifischen, sitzungsübergreifenden Speicher benötigen. |
| Selbstverwalteter Agentenspeicher (Lakebase) | Sie verwalten den zugrunde liegenden Speicher mithilfe von Lakebase. Unterstützt benutzerdefinierte Agenten, die mit LangGraph oder dem OpenAI Agents SDK erstellt wurden und direkten SQL-Zugriff auf den kurz- und langfristigen Gesprächszustand benötigen. |
Speicherskalierung für Agents
Der Speicher kommt in verschiedenen Formen vor. Episodischer Speicher erfasst unformatierte Interaktionen wie Unterhaltungsprotokolle und Benutzerfeedback, während der semantische Speicher diese Interaktionen in wiederverwendbare Fakten und Regeln destilliert. Sie können den Speicher auch auf einen einzelnen Benutzer beschränken oder ihn als Organisationswissen in einem Team freigeben.
Je mehr von diesem Kontext ein Agent sammelt, desto mehr können sich seine Genauigkeit und Effizienz verbessern. Databricks-Forschung ruft diese Musterspeicherskalierung auf. Informationen zu diesen Ergebnissen finden Sie unter Speicherskalierung für KI-Agents aus der Databricks-Forschung.