82 lines
2.2 KiB
Markdown
82 lines
2.2 KiB
Markdown
# 构建完整的记忆增强型智能体
|
||
|
||
在这一最后步骤中，我们将把我们探讨的所有记忆功能整合在一起，创建一个完整的记忆增强型智能体。我们还将创建一个实际示例，展示这些功能如何协同工作。
|
||
|
||
## 整合所有记忆功能
|
||
|
||
让我们创建一个利用对话历史记录、语义回忆和工作记忆的综合智能体：
|
||
|
||
```typescript
|
||
// src/mastra/agents/memory-agent.ts
|
||
import { Agent } from "@mastra/core/agent";
|
||
import { Memory } from "@mastra/memory";
|
||
import { openai } from "@ai-sdk/openai";
|
||
import { LibSQLStore, LibSQLVector } from "@mastra/libsql";
|
||
|
||
// 创建全面的内存配置
|
||
const memory = new Memory({
|
||
storage: new LibSQLStore({
|
||
id: "learning-memory-storage",
|
||
url: "file:../../memory.db", // 相对于 `.mastra/output` 目录的相对路径
|
||
}),
|
||
vector: new LibSQLVector({
|
||
connectionUrl: "file:../../vector.db", // 相对于 `.mastra/output` 目录的相对路径
|
||
}),
|
||
embedder: openai.embedding("text-embedding-3-small"),
|
||
options: {
|
||
// 对话历史记录配置
|
||
lastMessages: 20, // 在上下文中包含最后 20 条消息
|
||
|
||
// 语义回忆配置
|
||
semanticRecall: {
|
||
topK: 3, // 检索 3 条最相似的消息
|
||
messageRange: {
|
||
before: 2, // 包含每次匹配前的 2 条消息
|
||
after: 1, // 包含每次匹配后的 1 条消息
|
||
},
|
||
},
|
||
|
||
// 工作记忆配置
|
||
workingMemory: {
|
||
enabled: true,
|
||
template: `
|
||
# 用户档案
|
||
|
||
## 个人信息
|
||
- 姓名：
|
||
- 位置：
|
||
- 时区：
|
||
- 职业：
|
||
|
||
## 偏好
|
||
- 沟通风格：
|
||
- 感兴趣的话题：
|
||
- 学习目标：
|
||
|
||
## 项目信息
|
||
- 当前项目：
|
||
- [项目 1]：
|
||
- 截止日期：
|
||
- 状态：
|
||
- [项目 2]：
|
||
- 截止日期：
|
||
- 状态：
|
||
|
||
## 会话状态
|
||
- 当前主题：
|
||
- 未解决问题：
|
||
- 行动项：
|
||
`,
|
||
},
|
||
},
|
||
});
|
||
```
|
||
|
||
这个全面的内存配置整合了我们探讨的所有三种记忆功能：
|
||
|
||
1. **对话历史记录**，使用 `lastMessages` 选项
|
||
2. **语义回忆**，使用 `semanticRecall` 选项
|
||
3. **工作记忆**，使用 `workingMemory` 选项
|
||
|
||
每种功能在增强智能体的记忆能力方面都有不同的目的，它们共同创建了一个强大的记忆系统，可以在跨对话中保持上下文并提供个性化响应。
|