translation/translated/documents/course/02-agent-tools-mcp/31-enhancing-memory-configuration.md

增强内存配置

最后，让我们增强我们的内存配置，让我们的智能体更加有用：

import { LibSQLStore, LibSQLVector } from "@mastra/libsql";

const memory = new Memory({
  storage: new LibSQLStore({
    id: "learning-memory-storage",
    url: "file:../../memory.db",
  }),
  vector: new LibSQLVector({
    id: "learning-memory-vector",
    connectionUrl: "file:../../memory.db",
  }),
  embedder: openai.embedding("text-embedding-3-small"),
  options: {
    // 在上下文中保留最后 20 条消息
    lastMessages: 20,
    // 启用语义搜索以查找相关的过去对话
    semanticRecall: {
      topK: 3,
      messageRange: {
        before: 2,
        after: 1,
      },
    },
    // 启用工作记忆来记住用户信息
    workingMemory: {
      enabled: true,
      template: `
      <user>
         <first_name></first_name>
         <username></username>
         <preferences></preferences>
         <interests></interests>
         <conversation_style></conversation_style>
       </user>`,
    },
  },
});

并更新智能体指令以使用此增强内存：

export const personalAssistantAgent = new Agent({
  name: "Personal Assistant",
  instructions: `
    // ... 现有指令 ...

    你可以访问对话记忆，并可以记住关于用户的详细信息。
    当你了解有关用户的信息时，使用适当的工具更新他们的工作记忆。
    这包括：
    - 他们的兴趣
    - 他们的偏好
    - 他们的对话风格（正式、非正式等）
    - 任何其他有助于个性化对话的相关信息

    始终保持有用和专业的语调。
    使用存储的信息提供更个性化的响应。
  `,
  model: openai("gpt-4o"),
  tools: { ...mcpTools },
  memory,
});

这种增强的内存配置为你的智能体提供了更复杂的记忆能力：

1. 对话历史：lastMessages 选项在上下文中保留最后 20 条消息，允许你的智能体引用最近的对话。

2. 语义回忆：semanticRecall 选项使你的智能体能够使用语义搜索找到相关的过去对话，即使它们发生在很久以前。要使 semanticRecall 工作，你需要配置向量存储和嵌入器。

3. 工作记忆：workingMemory 选项允许你的智能体记住关于用户的特定信息，如他们的偏好和兴趣，并使用这些信息提供更个性化的响应。

通过更新智能体的指令以包含关于这些记忆能力的信息，你帮助它理解如何有效地使用它们来提供更好的用户体验。