Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
Zelfbeheerd agentgeheugen maakt gebruik van Databricks Lakebase, een volledig beheerde Postgres OLTP-database, als een duurzaam geheugenarchief voor uw agents. Gebruik deze methode wanneer u directe SQL-toegang nodig hebt tot geheugens (bijvoorbeeld om geheugen te integreren met bestaande gegevenspijplijnen of om een aangepast schema te gebruiken), of wanneer u kortetermijngeheugen nodig hebt dat wordt ondersteund door Lakebase. Voor deze aanpak moet u het databaseschema, de installatie van de verbinding en de toegangsbeheer beheren.
Als u geen directe SQL-toegang of een aangepast schema nodig hebt, gebruikt u in plaats daarvan het geheugen van de beheerde agent , die Databricks beheert via Unity Catalog. Zie Agent-geheugen voor een vergelijking van de twee benaderingen.
Requirements
- Databricks-apps inschakelen in uw werkruimte. Zie Uw Databricks Apps-werkruimte en -ontwikkelomgeving instellen.
- Een Lakebase-exemplaar. Zie Een Postgres-database ophalen.
Kortetermijn- en langetermijngeheugen
Zelfbeheerd geheugen ondersteunt zowel kortetermijn- als langetermijngeheugen, en u kunt uw agent bouwen met een of beide:
- Kortlopend geheugen legt context vast in één gesprekssessie met behulp van thread-id's en controlepunten. Het onderhoudt context voor vervolgvragen binnen een sessie.
- Langetermijngeheugen extraheert en slaat belangrijke informatie op in meerdere gesprekken. Het past interacties aan op basis van eerdere voorkeuren en bouwt een knowledge base over gebruikers die reacties in de loop van de tijd verbeteren.
Zie Agentgeheugen voor meer informatie over hoe geheugentypen werken.
Get started
Als u een agent met geheugen in Databricks-apps wilt maken, kloont u een vooraf gebouwde app-sjabloon en volgt u de ontwikkelwerkstroom die wordt beschreven in Een AI-agent ontwerpen en implementeert u deze in Apps. De volgende sjablonen laten zien hoe u kort- en langetermijngeheugen toevoegt aan agents met behulp van populaire frameworks.
LangGraph
Kloon de agent-langgraph-geavanceerde sjabloon om een LangGraph-agent te bouwen met zowel korte als langetermijngeheugen. De sjabloon maakt gebruik van de ingebouwde controlepunten van LangGraph met Lakebase voor duurzaam statusbeheer, inclusief gesprekscontext op basis van threads en permanente gebruikersinzichten in sessies.
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-langgraph-advanced
OpenAI Agents SDK
Kloon de agent-openai-geavanceerde sjabloon om een agent te bouwen met behulp van de OpenAI Agents SDK met kort geheugen. De sjabloon maakt gebruik van Lakebase voor duurzaam statusbeheer, waardoor gesprekken met statusbehoud met meerdere beurten mogelijk worden gemaakt met automatisch gespreksgeschiedenisbeheer.
git clone https://github.com/databricks/app-templates.git
cd app-templates/agent-openai-advanced
Uitvoering op de achtergrond voor langlopende processen
De geavanceerde sjablonen agent-langgraph-advanced en agent-openai-advanced breiden de basissjablonen uit met kortetermijngeheugen en langdurige uitvoering op de achtergrond via LongRunningAgentServer van databricks-ai-bridge. Ze voegen achtergrond- en streamingmodi toe waarmee agenttaken na de time-out van de HTTP-verbinding van Databricks Apps blijven lopen, met ondersteuning voor polling of hervatting van een streamingverbinding om resultaten op te halen. Zie de geavanceerde sjabloon README voor het volledige clientcontract.
Uw agent implementeren en er query's op uitvoeren
Nadat u uw agent met geheugen hebt geconfigureerd, volgt u de stappen in Een AI-agent ontwerpen en implementeert u deze in Apps om uw agent lokaal uit te voeren, te evalueren en te implementeren in Databricks Apps.