Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
La mémoire permet aux agents IA de mémoriser des informations antérieures dans une conversation ou des conversations précédentes. Avec la mémoire, les agents fournissent des réponses contextuelles et créent des expériences personnalisées au fil du temps.
Utilisez la mémoire de l’agent lorsque vous souhaitez que votre agent :
- N’oubliez pas les préférences utilisateur, les décisions passées ou le contexte cumulé entre les sessions.
- Partagez les connaissances et les préférences entre plusieurs agents et projets.
- Améliorez la précision et l’efficacité au fil du temps.
Choisir une option de mémoire
Azure Databricks a deux approches de la mémoire de l’agent.
| Option mémoire | Idéal pour |
|---|---|
| Mémoire gérée de l’agent (bêta) | Databricks gère l’infrastructure mémoire sécurisée par la gouvernance Unity Catalog. Prend en charge les agents créés avec n’importe quelle infrastructure nécessitant une mémoire intersession par utilisateur. |
| Mémoire de l’agent auto-managé (Lakebase) | Vous gérez le magasin de mémoire sous-jacent à l’aide de Lakebase. Prend en charge les agents personnalisés créés avec LangGraph ou le SDK OpenAI Agents, qui nécessitent un accès SQL direct à l’état des conversations à court et à long terme. |
Mise à l’échelle de la mémoire pour les agents
La mémoire est fournie sous différentes formes. La mémoire épisodique capture les interactions brutes, telles que les journaux de conversation et les commentaires des utilisateurs, tandis que la mémoire sémantique distille ces interactions en faits et règles réutilisables. Vous pouvez également étendre la mémoire à un utilisateur individuel ou la partager en tant que connaissances organisationnelles au sein d’une équipe.
À mesure qu’un agent accumule davantage de ce contexte, sa précision et son efficacité peuvent améliorer. Les chercheurs de Databricks appellent ce schéma « passage à l’échelle de la mémoire ». Pour ces résultats, consultez la mise à l’échelle de la mémoire pour les agents d’IA de la recherche Databricks.