Skip to content

04_long_term_memory.md

Latest commit

 

History

History
23 lines (12 loc) · 3.85 KB

04_long_term_memory.md

File metadata and controls

23 lines (12 loc) · 3.85 KB
Raw

Долгосрочная память (Long-Term Memory)

В отличие от стандартной краткосрочной памяти, которая хранит только историю текущего диалога, система PyAgentX наделена долгосрочной памятью. Это позволяет агентам накапливать знания между сессиями, "учиться" на прошлом опыте и использовать его в будущих задачах.

Реализация

Механизм долгосрочной памяти реализован с помощью двух ключевых компонентов:

  1. Менеджер памяти (app/memory/memory_manager.py): Это специализированный класс, который инкапсулирует всю логику работы с базой данных памяти. Он использует простую и надежную базу данных SQLite для хранения фактов. Каждая запись в базе представляет собой отдельный "факт" или "воспоминание". Менеджер предоставляет простые методы для сохранения новых фактов и поиска релевантных старых фактов.

  2. Инструмент для сохранения памяти (save_memory_tool): Мы не заставляем агента сохранять все подряд. Вместо этого мы предоставляем ему специальный инструмент. Агент в ходе своей работы (ReAct-цикла) может сам принять решение, что какая-то часть информации (например, вывод успешной команды, важный факт из поиска или ключевое решение в задаче) является достаточно ценной для сохранения на будущее. В этом случае он вызывает save_memory_tool и передает ему текст, который необходимо запомнить.

Как это работает?

  1. Сохранение: Во время выполнения задачи агент сталкивается с важной информацией. В своей "мысли" он решает: "Этот факт важен, его нужно сохранить". Затем он вызывает инструмент save_memory_tool с этой информацией. Менеджер памяти записывает этот факт в базу данных SQLite.

  2. Извлечение: В начале каждой новой задачи Оркестратор автоматически делает запрос к долгосрочной памяти. Он ищет в базе факты, которые семантически близки к новой поставленной цели.

  3. Использование: Найденные "воспоминания" добавляются в системный промпт агента, который будет выполнять задачу. Таким образом, еще до начала работы агент получает релевантный контекст из прошлого опыта, что помогает ему принимать более информированные и эффективные решения.

Этот подход позволяет системе не решать одну и ту же проблему дважды и со временем становиться все более "опытной".

Вернуться к README