Introduzione alla memoria agente

Questo articolo guida l'utente nell'installazione della memoria agente e nell'esecuzione delle operazioni di memoria di base, inclusa la memorizzazione e il recupero del contesto utente.

Prerequisiti

Verificare di disporre dei dati elencati di seguito.

Installare l'SDK

Per installare la memoria dell'agente, eseguire:

pip install "oracleagentmemory==26.4.0"

L'installazione con pip estrae ruote binarie predefinite su piattaforme supportate.

Inizializza istanza di memoria

Creare un'istanza OracleAgentMemory configurando l'embedder, l'LLM e la connessione al database.

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)

Memorizza voci memoria

Iniziare creando un thread, aggiungendo messaggi e memorizzando una voce di memoria per l'utente.

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.")

Recupera voci di memoria

Cerca le memorie utilizzando una query con ambito utente.

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

Output:

-[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.

Nota: l'output visualizzato è illustrativo. Le versioni future possono restituire tipi di risultati, campi o ordini aggiuntivi.

Compatibilità modello

A partire da aprile 2026, i seguenti modelli LLM (Large Language Models) e modelli di incorporamento sono compatibili con oracleagentmemory.

LLM

I seguenti LLM (Large Language Models) sono stati confermati come compatibili.

vllm

oci

gemelli

antropico

openai

Incorporamenti

I seguenti modelli di incorporamento sono stati confermati compatibili.

ospitato_vllm

oci

gemelli

openai