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 de l’agent auto-managé utilise Databricks Lakebase, une base de données Postgres OLTP entièrement managée, en tant que magasin de mémoire durable pour vos agents. Utilisez cette approche lorsque vous avez besoin d’un accès SQL direct aux mémoires (par exemple, pour intégrer de la mémoire à des pipelines de données existants ou pour utiliser un schéma personnalisé) ou lorsque vous avez besoin d’une mémoire à court terme sauvegardée par Lakebase. Cette approche vous oblige à gérer le schéma de base de données, la configuration de la connexion et les contrôles d’accès.
Si vous n’avez pas besoin d’un accès SQL direct ou d’un schéma personnalisé, utilisez plutôt la mémoire de l’agent managé , que Databricks régit via le catalogue Unity. Pour une comparaison des deux approches, consultez la mémoire de l’agent.
Requirements
- Activez Databricks Apps dans votre espace de travail. Consultez Configurer votre espace de travail Databricks Apps et votre environnement de développement.
- Une instance de Lakebase. Consultez Obtenir une base de données Postgres.
Mémoire à court terme et à long terme
La mémoire autogérée prend en charge aussi bien la mémoire à court terme que la mémoire à long terme, et vous pouvez concevoir votre agent avec l’une, l’autre ou les deux :
- La mémoire à court terme capture le contexte dans une session de conversation unique à l’aide d’ID de thread et de point de contrôle. Il conserve le contexte des questions de suivi au sein d’une session.
- La mémoire à long terme extrait et stocke les informations clés dans plusieurs conversations. Il personnalise les interactions basées sur les préférences passées et crée une base de connaissances sur les utilisateurs qui améliorent les réponses au fil du temps.
Pour plus d’informations sur le fonctionnement des types de mémoire, consultez La mémoire de l’agent.
Agents avec mémoire à court terme et à long terme
Get started
Pour créer un agent avec de la mémoire sur Databricks Apps, clonez un modèle d’application prédéfini et suivez le flux de travail de développement décrit dans Créer un agent IA et le déployer sur les applications. Les modèles suivants montrent comment ajouter de la mémoire à court terme et à long terme aux agents à l’aide de frameworks populaires.
LangGraph
Clonez le modèle avancé agent-langgraph pour créer un agent LangGraph avec mémoire à court terme et à long terme. Le modèle utilise le point de contrôle intégré de LangGraph avec Lakebase pour la gestion durable de l’état, notamment le contexte de conversation basé sur les threads et les insights utilisateur persistants entre les sessions.
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-langgraph-advanced
Kit de développement logiciel (SDK) Des agents OpenAI
Clonez le modèle agent-openai-avancé pour générer un agent à l’aide du Kit de développement logiciel (SDK) des agents OpenAI avec de la mémoire à court terme. Le modèle utilise Lakebase pour la gestion pérenne de l'état, permettant des conversations multi-tours avec gestion d'état et gestion automatique de l'historique des conversations.
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-openai-advanced
Exécution en arrière-plan pour les agents de longue durée
Les modèles avancés agent-langgraph-advanced et agent-openai-advanced étendent les modèles de base avec une mémoire à court terme et une exécution en arrière-plan de longue durée via LongRunningAgentServer de databricks-ai-bridge. Ils ajoutent des modes d’arrière-plan et de diffusion en continu qui permettent aux tâches de l’agent de continuer à s’exécuter après le délai d’expiration de la connexion HTTP Databricks Apps, avec prise en charge de l’interrogation ou de la reprise d’une connexion de diffusion en continu pour récupérer les résultats. Pour le contrat client complet, consultez le fichier README du modèle avancé.
Déployer et interroger votre agent
Après avoir configuré votre agent avec de la mémoire, suivez les étapes décrites dans Créer un agent IA et déployez-le sur Applications pour exécuter votre agent localement, l’évaluer et le déployer sur Databricks Apps.