Introduction à la mémoire de l'agent

Cet article vous guide tout au long de l'installation de la mémoire de l'agent et de l'exécution des opérations de mémoire de base, y compris le stockage et l'extraction du contexte utilisateur.

Conditions requises

Assurez-vous d'avoir :

Installer la trousse SDK

Pour installer la mémoire de l'agent, exécutez :

pip install "oracleagentmemory==26.4.0"

L'installation avec pip extrait des roues binaires prédéfinies sur les plates-formes prises en charge.

Initialiser l'instance de mémoire

Créez une instance OracleAgentMemory en configurant l'intégrateur, le LLM et la connexion à la base de données.

from oracleagentmemory.core.oracleagentmemory import OracleAgentMemory
from oracleagentmemory.apis.searchscope import SearchScope
from oracleagentmemory.core.embedders.embedder import Embedder
from oracleagentmemory.core.llms.llm import Llm

embedder = Embedder(model="YOUR_EMBEDDING_MODEL")
llm = Llm(model="YOUR_LLM")
db_pool = ...  #an oracledb connection or connection pool
memory = OracleAgentMemory(connection=db_pool, embedder=embedder, llm=llm)

Stocker les entrées de mémoire

Commencez par créer un thread, ajouter des messages et stocker une entrée de mémoire pour l'utilisateur.

messages = [
    {
        "role": "user",
        "content": (
            "Orange juice has become my favorite breakfast drink lately, "
            "what can I pair it with?"
        ),
    },
    {
        "role": "assistant",
        "content": (
            "Nice! Orange juice goes great with something savory. "
            "Try eggs and toast, avocado toast, or a breakfast sandwich."
        ),
    },
]

thread = memory.create_thread(user_id="user_123")
#add_messages will add messages to the DB and extract memories automatically
thread.add_messages(messages)
#add_memory adds memory to the DB
thread.add_memory("The user likes orange juice with breakfast.")

Extraire les entrées de mémoire

Rechercher des mémoires à l'aide d'une requête de portée utilisateur.

results = memory.search(query="orange juice", scope=SearchScope(user_id="user_123"))
for result in results:
    print(f"- [{result.record.record_type}] {result.content}")

Sortie :

-[memory] The user likes orange juice with breakfast.
-[message] Orange juice has become my favorite breakfast drink lately, what can I pair it with?
-[message] Nice! Orange juice goes great with something savory. 
        Try eggs and toast,avocado toast, or a breakfast sandwich.

Note : La sortie affichée est illustrative. Les versions futures peuvent retourner des types de résultats, des champs ou des commandes supplémentaires.

Compatibilité du modèle

À partir d'avril 2026, les grands modèles de langage (LLM) et les modèles d'intégration suivants sont compatibles avec oracleagentmemory.

GML

Les grands modèles de langage (LLM) suivants ont été confirmés comme compatibles.

vllm

oci

gemini

anthropique

openai

Intégrations

Les modèles d'intégration suivants ont été confirmés comme compatibles.

Hébergement_vllm

oci

gemini

openai