AgentLoop:Gunakan memory store

Prasyarat

Untuk memahami konsep dasar memory store, lihat ikhtisar Memory Store.

• Ruang agen yang sudah ada dan akses ke Konsol AgentLoop ruang tersebut.

• Aplikasi yang akan diintegrasikan serta kumpulan contoh percakapan untuk validasi.

• Jika Anda berencana menulis data melalui API, mesin lokal atau lingkungan runtime aplikasi Anda harus dapat mengakses titik akhir yang disediakan oleh konsol. Contoh HTTP dalam topik ini menggunakan curl.

Langkah 1: Buat memory store

1. Masuk ke Konsol AgentLoop dan pilih wilayah serta ruang agen yang dituju.

2. Pada panel navigasi sebelah kiri, pilih Context Engineering, lalu klik tab Memory Store.

3. Klik Create Memory Store

   Parameter	Wajib	Deskripsi
   Memory Store Name	Ya	Nama yang mudah dikenali, misalnya cooking_memory.
   Memory Store Description	Tidak	Tujuan memory store dan aplikasi yang menggunakannya, misalnya "Menyimpan preferensi diet pengguna asisten memasak".

4. Klik OK.

   Setelah memory store dibuat, verifikasi nama dan deskripsinya pada tab Overview untuk memastikan operasi selanjutnya menargetkan memory store yang tepat.

Langkah 2: Buat Kunci API

1. Buka halaman detail memory store yang Anda buat di Langkah 1, lalu klik tab API Key.

2. Jika belum ada Kunci API, klik Create Now dan ikuti petunjuk di halaman tersebut untuk membuat Kunci API.

3. Salin Kunci API untuk integrasi aplikasi.

   Kunci API terikat pada memory store dan ruang agen. Saat Anda memanggil API memori yang tercantum di tab API Key, Anda tidak perlu mengirimkan nama memory store atau nama ruang secara terpisah.

Perhatikan perbedaan antara dua jenis informasi berikut saat menggunakan memory store:

Langkah 3: Integrasi aplikasi dan tulis percakapan

export AGENTLOOP_ENDPOINT="<Endpoint copied from the Integration tab>"
export AGENTLOOP_API_KEY="<API key of this memory store>"

curl -X POST "$AGENTLOOP_ENDPOINT/v1/memories" \
  -H "Authorization: Token $AGENTLOOP_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {"role": "user", "content": "I live in Hangzhou and I like unsweetened Americano coffee."},
      {"role": "assistant", "content": "OK. I have noted that you live in Hangzhou and like unsweetened Americano."}
    ],
    "user_id": "user-001",
    "infer": true
  }'

Langkah 4: Ambil memori jangka panjang

1. Pada halaman detail memory store, klik tab Long-term Memory Retrieval.

2. Masukkan pernyataan kueri, misalnya, "What coffee does this user like?".

3. Atur User ID menjadi user-001

   Parameter	Deskripsi
   topK	Jumlah maksimum memori yang dikembalikan, misalnya 5. Jumlah aktual memori yang dikembalikan mungkin lebih sedikit.
   User ID	Memfilter memori berdasarkan identifier pengguna bisnis terkait. Untuk mengkueri preferensi pengguna di berbagai sesi, ambil berdasarkan cakupan pengguna.
   App ID	Memfilter memori berdasarkan identifier aplikasi terkait.
   Agent ID	Memfilter memori berdasarkan identifier agen terkait.
   Run ID	Memfilter memori berdasarkan identifier run terkait. Tambahkan kondisi ini hanya jika Anda memerlukan memori dari run tertentu. Jika tidak, memori relevan dari sesi lain akan dikecualikan.

4. Klik Start Retrieval dan lihat konten memori di bagian Retrieval Results.

   Pernyataan kueri menyatakan informasi yang Anda butuhkan, misalnya, "preferensi diet pengguna" atau "jenis kopi yang disukai pengguna". Filter ID membatasi cakupan kueri. Gunakan keduanya bersamaan, dan pastikan filter App ID, Agent ID, dan Run ID sesuai dengan identifier yang dikaitkan dengan data yang sebenarnya ditulis.

Untuk contoh dalam topik ini, periksa apakah informasi tentang "kopi Americano tanpa gula" dikembalikan di bagian Retrieval Results. Ini merupakan pemeriksaan integrasi kedua dari tiga pemeriksaan. Untuk mengambil memori dari aplikasi Anda alih-alih dari konsol, gunakan contoh panggilan API di tab Integration.

Cara aplikasi menggunakan memori

Setelah aplikasi diintegrasikan dengan memory store, setiap putaran interaksi mengikuti proses berikut:

1. Menerima pertanyaan baru: Tentukan identifier pengguna dari pengguna yang sedang login atau konteks bisnis aplikasi.

2. Ambil memori: Kueri memori yang relevan berdasarkan pertanyaan saat ini dan identifier pengguna. Gunakan contoh di tab Integration untuk panggilan API aktual.

3. Siapkan input model: Tambahkan memori yang relevan sebagai informasi latar belakang ke permintaan, bersama dengan pertanyaan saat ini dan percakapan terbaru yang diperlukan.

4. Hasilkan jawaban: Agen menjawab pertanyaan berdasarkan kebutuhan saat ini dan latar belakang historis.

5. Tulis percakapan ini: Tulis interaksi yang benar-benar terjadi dalam putaran ini ke memory store untuk ekstraksi dan pengambilan selanjutnya.

   Aplikasi harus mempertahankan kebutuhan eksplisit dari pertanyaan saat ini. Misalnya, jika memori historis menyatakan "suka kopi" tetapi pengguna sekarang meminta "rekomendasikan minuman tanpa kopi", sertakan juga kebutuhan saat ini ke agen. Jika hasil pengambilan kosong, aplikasi dapat melanjutkan dengan pertanyaan saat ini dan konteks percakapan yang ada.

Contoh: Tambahkan preferensi pengguna untuk asisten memasak

Contoh berikut menunjukkan cara aplikasi menggunakan memori. Contoh ini tidak bergantung pada framework agen tertentu.

Siapkan input model dengan struktur berikut. Konten memori harus berasal dari hasil pengambilan aktual:

Current question:
What should I have for dinner tonight?
Relevant user memories (background information):
The user prefers light, mildly seasoned home-style dishes.
Response requirements:
Give a suggestion based on the current question and the relevant preferences. The explicit requirements that the user states in this request take precedence.

Ini adalah contoh organisasi konteks. Jawaban aktual bergantung pada pertanyaan saat ini, hasil pengambilan, dan model. Saat memvalidasi, pertama-tama pastikan memori diambil, lalu pastikan aplikasi menggunakannya.

Interpretasi hasil validasi

Pemeriksaan di Langkah 3, Langkah 4, dan contoh asisten memasak mencakup tahap integrasi yang berbeda. Gunakan aturan berikut saat menginterpretasi hasil:

• Tahap terpisah — Penyediaan resource, penulisan percakapan, dan ekstraksi memori adalah tahap terpisah. Periksa respons penulisan dan hasil pengambilan secara individual.

• Keberhasilan penulisan — Respons penulisan yang berhasil, atau kata "noted" dalam percakapan, tidak menjamin bahwa memori telah diekstraksi.

• Teks yang diekstraksi — Teks, bahasa, dan jumlah entri yang diekstraksi sebenarnya mungkin berbeda dari input. Nilai apakah maknanya sesuai dengan input.

• Skor pengambilan — Skor menunjukkan tingkat kepercayaan kecocokan pengambilan dan membantu Anda menilai seberapa baik hasil cocok dengan pertanyaan saat ini. Skor tidak berarti konten memori telah diverifikasi kebenarannya, dan tidak berarti aplikasi harus meneruskan semua hasil yang dikembalikan ke agen.

• Jawaban tunggal — Jangan menyimpulkan bahwa seluruh integrasi benar hanya dari satu jawaban.

FAQ