使用AnalyticDB for PostgreSQL構建長記憶AI Agent-雲原生資料倉儲AnalyticDB-阿里雲

大模型雖能記憶一定長度的對話，但受注意力機制限制可能會遺漏某些資訊，導致產生內容品質下降。即使擴大大模型的上下文視窗長度，仍可能會遺漏關鍵資訊，並且增加成本，降低模型效率。長記憶技術針對對話過程中的關鍵資訊（主要為使用者個人化資訊，如使用者特徵、偏好等），進行提取並持久化儲存，使AI應用在後續互動中引用相關記憶資訊，從而提升對話品質與互動體驗。

應用情境

客服聊天機器人（Customer Support Chatbots）：能夠記住客戶的偏好、記錄和過往互動，以提供個人化支援。
個人AI導師（Personal AI Tutors）：構建能夠追蹤學生進度、適應學習模式並提供即時線上說明的教育助手。
醫學健康應用（Healthcare Applications）：開發能夠維護患者病史並提供建議的個人化醫學助手。
企業知識管理（Enterprise Knowledge Management）：構建能夠從組織內部互動中學習並維護機構知識的系統。
個人化AI助手（Personalized AI Assistants）：建立能夠學慣用戶偏好並隨著時間推移調整回應的智能助手。

前提條件

AnalyticDB for PostgreSQL7.0版執行個體，且核心版本滿足以下任一條件：
- 7.2版本且為7.2.1.4及以上。
- 7.3.2.0及以上版本。

說明

您可以在控制台執行個體的基本資料頁查看核心小版本。如不滿足上述版本要求，需要您升級核心小版本。

配置 API Key作為調用大模型的鑒權憑證。
開通AnalyticDB for PostgreSQL執行個體所在VPC的公網NAT Gateway，使執行個體能夠訪問大語言模型（LLM）服務。

產品架構

核心組件
- ADBPG LLM Memory Manager：置於AnalyticDB for PostgreSQLCoordinator節點上，面向使用者提供大模型長記憶服務，其接受使用者的查詢請求，內部進行記憶檢索，產生prompt，與使用者query一起發送給LLM，並向使用者返回最後的結果。同時根據目前的交談的上下文自動更新或者新增記憶到向量資料庫Vector Store或者圖資料庫Graph Store。
- AI Service：提供LLM和Embedding服務。LLM支援使用者查詢、記憶抽取、記憶更新、衝突解決等功能。Embedding Model主要提供記憶向量化功能，用於記憶檢索。
- AnalyticDB for PostgreSQL：提供記憶持久化能力，記憶以向量、文字區塊、知識圖譜的形式儲存。
主要特點
- 記憶處理（Memory Processing）：利用大語言模型（LLM）從對話中自動提取並儲存重要訊息，同時保持完整的上下文。
- 記憶管理（Memory Management）：持續更新儲存的資訊並解決其中的矛盾，以保持準確性。
- 雙儲存架構（Dual Storage Architecture）：結合向量資料庫和圖資料庫儲存資訊。其中向量資料庫用於記憶儲存，圖資料庫用於關係追蹤。
- 智能檢索（Smart Retrieval System）：採用語義搜尋和圖查詢，根據重要性和時效性尋找相關記憶。
- 多模態支援（Multimodal Support）：支援從文本、圖片等結構化和非結構化多模態資料中提取記憶。使用者使用多模態資料載入記憶時，可直接提供資料 URL，但需確保使用的LLM具備多模態處理能力。LLM 會解析多模態資料並提取常值內容，隨後長記憶模組將提取的文本進行記憶抽取，形成Vector或Graph儲存到AnalyticDB for PostgreSQL中，便於後續高效檢索。

基礎功能

記憶檢索

查詢處理
- 使用LLM從使用者的原始查詢中提取關鍵資訊。
- 根據上下文和查詢意圖產生合適的過濾條件，加速檢索的效率和準確度。如：分類資訊、時間範圍。
向量檢索
- 使用最佳化後的查詢進行embedding，在向量資料庫內執行語義搜尋。
- 根據與查詢的相關性對結果進行排序。
- 應用指定的過濾條件（使用者、代理、中繼資料等）。
結果處理
- 整合多個搜尋條件返回的結果，並按照相關性、重要性、時間等因素進行排序。
- 返回帶有相關性評分的記憶條目。
- 包含相關的中繼資料和時間戳記，如：標籤、分類等。

記憶更新

資訊抽取
- 使用LLM，從對話的上下文中提取出相關記憶。
- 識別出重要的實體（entity），並抽取各個實體之間的關係（知識圖譜）。
衝突解決
- 系統自動將新記憶資訊與現有記憶資料進行對比。
- 識別並解決其中的衝突。
點擊查看衝突解決方案策略
當新資訊與已有記憶條目在實體、關係或屬性上存在矛盾時會觸發衝突解決。目前AnalyticDB for PostgreSQL長記憶架構採用的衝突解決方案策略為時間戳記優先。
- 實體匹配：通過具名實體識別和語義相似性比較，判斷新舊資訊是否指向同一實體。
- 屬性對比：檢查同一實體的屬性（如時間、數值、狀態）是否衝突。
- 關係驗證：對比實體之間的關係（如“使用者A是使用者B的同事”vs“使用者A是使用者B的上級”）。
時間戳優先
邏輯：以最新時間戳記的記憶資訊為準。
適用情境：使用者在對話中有相關屬性資訊的更新（如修改地址、更正日期）。
樣本：
原有記憶：“使用者生日是1995年”（時間戳記：2023-01-01）
新資訊：“使用者生日是1996年”（時間戳記：2023-10-05）
結果：更新使用者生日為1996年。
信賴度評分（Confidence Scoring）
邏輯：根據資訊來源的可信度評分決定優先順序。
可信度評分可能基於：
使用者身份（如管理員輸入與普通使用者輸入）
資料來源（如權威文檔與非正式對話）
資訊的上下文完整性（如詳細描述與簡單提及）
樣本：
原有記憶：“使用者職業是教師”（來源：使用者自我介紹，可信度0.7）
新資訊：“使用者職業是工程師”（來源：第三方認證，可信度0.9）
結果：更新為“工程師”，並記錄衝突歷史。
上下文合并
邏輯：將矛盾資訊合并為更完整的描述，保留上下文差異。
適用情境：資訊可能同時成立（如時間範圍不同）。
樣本：
原有記憶：“使用者喜歡咖啡”（時間戳記：2022-05）
新資訊：“使用者不喜歡咖啡”（時間戳記：2023-11）
結果：合并為“使用者曾喜歡咖啡（2022-05），但現在不喜歡（2023-11）”。
記憶儲存
- 向量資料庫儲存實際的記憶內容。
- 圖資料存放區實體之間的關係。
- 每一輪對話迭代中，都會自動更新記憶的內容。

記憶類型與情境

記憶類型

對於很多複雜的AI應用，需要在不同的對話中，引用之前對話所產生的記憶片段。常見的記憶類型如下。

記憶類型	說明
事實記憶（Factual Memory）	儲存關於使用者、偏好以及領域特定資訊的知識。
情景記憶（Episodic Memory）	過去的互動和經歷。
語義記憶（Semantic Memory）	對概念及其關係的理解。
程式記憶（Procedual Memory）	關於技術、過程、或者某個任務如何?的記憶，主要用於 AI Agent 情境。

記憶情境

具體使用記憶時，可以有如下三種情境。

記憶情境	說明	檢索方式
Session	短期記憶情境，只關心某個對話Session中所產生的記憶，不會引用其他Session的記憶。記憶持久儲存，除非調用記憶刪除介面將其刪除。	通過Session id載入或檢索該Session的所有記憶。
User	適用於需要引用某個使用者歷史上所有的記憶，User的以及包含所有與該User相關的Session的記憶。主要儲存事實、情景、語義三種記憶類型。	通過User id檢索該User的所有記憶，或結合User id與Session id檢索該User對應的Session記憶。
Agent	主要用於AI Agent的長記憶情境，Agent記憶主要關注程式記憶（例如子任務的執行動作與結果）。業務調用Agent記憶介面時，AnalyticDB for PostgreSQL會使用特定Prompt提取Agent與LLM的互動記錄，形成記憶儲存至Vector Store中。	通過Agent id檢索該Agent的所有記憶，或結合Agent id與Session id檢索該Session的Agent記憶。

使用樣本

本樣本依賴以下環境。

大語言模型LLM：通義千問qwen3-32b。
文本向量模型Embedding Model：text-embedding-v3（支援text-embedding-v4）。text-embedding-v3，text-embedding-v2模型的升級版本，主打高效能、低成本，支援50+種語言、超長文本。
儲存：AnalyticDB for PostgreSQLVector Store。

環境配置

介面
adbpg_llm_memory.config(config json)：配置LLM、embedder、vector store等資訊。

樣本

說明

該配置為會話（Session）層級，添加、擷取記憶的相關SQL操作需要與該配置在同一個Session中執行。如果您通過DMS串連AnalyticDB for PostgreSQL執行個體，測試本文樣本時，建議與後續SQL在同一SQL Console頁簽下一併執行。
測試時請替換以下配置中的api_key、user、password、dbname、port資訊。其中，port值需執行SELECT port FROM gp_segment_configuration WHERE content=-1 AND role='p';擷取。

select adbpg_llm_memory.config(
    $$
    {
    "llm": {
        "provider": "qwen",
        "config": {
            "model": "qwen3-32b",
            "qwen_base_url": "https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
            "api_key": "sk-xxxxxxx"
        }
    },
    "embedder": {
        "provider": "openai",
        "config": {
            "model": "text-embedding-v3",
            "embedding_dims": "256",
            "api_key": "sk-xxxxxx",
            "openai_base_url": "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
        }
    },
    "vector_store": {
      "provider": "adbpg",
      "config": {
            "user": "username",
            "password": "password",
            "dbname": "testdb",
            "hnsw": "True",
            "embedding_model_dims": "256",
            "port": 3029
          }
      }
}
    $$
);

執行結果

{'message': 'Configuration set successfully'}

添加新記憶

介面
adbpg_llm_memory.add(messages json, user_id text, run_id text, agent_id text, metadata json, memory_type text, prompt text)
- messages：需要添加的記憶資訊。
- user_id：記憶資訊所屬的使用者ID。
- run_id：記憶資訊所屬的會話ID。
- agent_id：記憶資訊所屬的Agent。
- metadata：目前支援在metadata裡面設定記憶的到期時間。
- memory_type：記憶類型，預設為 null。如果是Agent相關的記憶，需要指定為'procedural_memory'。
- prompt：抽取記憶的 prompt，預設為null，一般情況下可滿足使用需求。支援自訂，建議 prompt 指定最後的輸出格式為Output: {{"facts" : [xxx]}}。

樣本

SELECT adbpg_llm_memory.add($$
[
    {"role": "user", "content": "嗨, 我是張三。 我喜歡徒步，不喜歡劇烈的運動，"},
    {"role": "assistant", "content": "你好，張三！徒步是個很棒的愛好，我會記住你的喜好。如果你有任何徒步路線規劃、裝備推薦或沿途風景的問題，歡迎隨時交流。"}
]
$$, 'test_u', null, null, $${"expiration_date": "2025-08-01"}$$, null, null);

執行結果

{
	'results': [{
				'id': 'e6d241f9-634f-43e4-925c-0ed70974****',
				'memory': 'Name is 張三',
				'event': 'ADD'
			}, {
				'id': '9efbb099-a20b-483e-99ef-3cc1e85e****',
				'memory': 'Likes hiking',
				'event': 'ADD'
			}, {
				'id': '6fc474d5-1e77-48ec-a5f2-8cb9ec50****',
				'memory': 'Dislikes intense exercise ', 
                                'event': 'ADD '
                        }
            ]
}

擷取某個使用者或Agent的所有記憶

介面
adbpg_llm_memory.get_all(user_id text, run_id text, agent_id text)：以json格式返回使用者所有記憶。

樣本

select adbpg_llm_memory.get_all('test_u', null, null);

執行結果

{
	'results': [{
		'id': '1cf1e872-5f78-41d0-b1ab-370eee82****',
		'memory': 'Name is 張三',
		'hash': 'd6f327d1ea38b8387927810bdcd3****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'created_at': '2025-06-25T15:45:58.687949+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}, {
		'id': '5806ab99-9764-4f31-bbda-29b77e8b****',
		'memory': 'Likes hiking',
		'hash': '5f8275169192f1a1a4564149c3d1****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'created_at': '2025-06-25T15:45:58.700653+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}, {
		'id': '55babe14-2605-40fa-9b32-e5ccefc3****',
		'memory': 'Dislikes intense exercise',
		'hash': '18fa10d79b6d2b0ec7f271817095****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'created_at': '2025-06-25T15:45:58.704473+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}]
}

擷取給定query相關的記憶

介面
adbpg_llm_memory.search(query text, user_id text, run_id text, agent_id text, filter json)
- query：使用者輸入的prompt。
- filter：搜尋時需要添加的過濾條件。

樣本

select adbpg_llm_memory.search('給我推薦這周末的運動專案和相關地點？', 'test_u', null, null, null);

執行結果

{
	'results': [{
		'id': '5806ab99-9764-4f31-bbda-29b77e8b****',
		'memory': 'Likes hiking',
		'hash': '5f8275169192f1a1a4564149c3d1****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'score': 0.4617832899093628,
		'created_at': '2025-06-25T15:45:58.700653+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}, {
		'id': '55babe14-2605-40fa-9b32-e5ccefc3****',
		'memory': 'Dislikes intense exercise',
		'hash': '18fa10d79b6d2b0ec7f271817095****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'score': 0.48010164499282837,
		'created_at': '2025-06-25T15:45:58.704473+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}, {
		'id': '1cf1e872-5f78-41d0-b1ab-370eee82****',
		'memory': 'Name is 張三',
		'hash': 'd6f327d1ea38b8387927810bdcd3****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'score': 0.6027468977721387,
		'created_at': '2025-06-25T15:45:58.687949+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}]
}

刪除某個使用者或Agent的所有記憶

介面
adbpg_llm_memory.delete_all(user_id text, run_id text, agent_id text)

樣本

select adbpg_llm_memory.delete_all('test_u', null, null);

執行結果

{'message': 'All relevant memories deleted'}

構建帶有記憶的個人專屬旅行Agent

本章節將介紹如何結合AnalyticDB for PostgreSQL和LangChain構建一個帶有記憶功能的個人專屬旅行Agent。該Agent可以記住使用者的偏好和過往互動，為使用者提供個人化的旅行建議、行程規劃。

說明

已申請AnalyticDB for PostgreSQL執行個體、完成公網NAT Gateway配置，並擷取API Key，詳情請參見前提條件。

允許運行Agent的機器訪問AnalyticDB for PostgreSQL執行個體，詳情請參見設定白名單。
在運行Agent的機器上，安裝ADB PG MCP服務。

複製以下代碼，並將下方env及ChatOpenAI中的相關配置替換為實際值。

import asyncio
import ast
import os

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

import os
from typing import List, Dict
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# Create server parameters for stdio connection
server_params = StdioServerParameters(
    command="uv",  # Using uv to run the server
    args=["run", "adbpg-mcp-server"],  # Server with completion support
    env={"ADBPG_HOST": "gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com",
        "ADBPG_PORT": "5432",
        "ADBPG_USER": "test_user",
        "ADBPG_PASSWORD": "testPassword",
        "ADBPG_DATABASE": "postgres",
        "LLMEMORY_API_KEY": "sk-xxx",
        "LLMEMORY_BASE_URL": "https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
        "LLMEMORY_LLM_MODEL": "qwen-max-latest",
        "LLMEMORY_EMBEDDING_MODEL": "text-embedding-v4"},
)

prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="""你是一個個人專屬的旅行AI Agent， 請根據提供的上下文提供個人化的服務，並記住使用者的偏好和過往互動。
    請提供旅行建議、行程規劃，並解答關於目的地的問題。
    如果缺乏具體資訊，可以根據常見旅行知識提供一般性建議。"""),
    MessagesPlaceholder(variable_name="context"),
    HumanMessage(content="{input}")
])

# Initialize LangChainchenwe
llm = ChatOpenAI(
          # 若沒有配置環境變數，請將下行替換為：api_key="sk-xxx",
          api_key=os.getenv("DASHSCOPE_API_KEY"),
          base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
          model="qwen-max-latest")
mcp_session = None

async def retrieve_mem_context(query: str, user_id: str) -> List[Dict]:
    """Retrieve relevant context from adbpg LLM memory"""
    result = await mcp_session.call_tool(
                   name="adbpg_llm_memory_search",
                   arguments={
                       "query": query,
                       "user_id": user_id})
    result_str = result.content[0].text
    memories = ast.literal_eval(result_str)
    serialized_memories = ' '.join([mem["memory"] for mem in memories.get('results', [])])
    print(f"Memories: {serialized_memories}")
    context = [
        {
            "role": "system",
            "content": f"Relevant information: {serialized_memories}"
        },
        {
            "role": "user",
            "content": query
        }
    ]
    return context

async def generate_response(input: str, context: List[Dict]) -> str:
    """Generate a response using the language model"""
    chain = prompt | llm
    response = chain.invoke({
        "context": context,
        "input": input
    })
    return response.content

async def save_interaction(user_id: str, user_input: str, assistant_response: str):
    """Save the interaction to adbpg LLM memory"""
    interaction = [
        {
          "role": "user",
          "content": user_input
        },
        {
            "role": "assistant",
            "content": assistant_response
        }
    ]
    result = await mcp_session.call_tool(
        name="adbpg_llm_memory_add",
        arguments={
            "messages": interaction,
            "user_id": user_id
        }
    )
    print(f"Saving memories: {result}")

async def run_chat(user_input: str, user_id: str) -> str:
    # Retrieve memory context
    context = await retrieve_mem_context(user_input, user_id)

    # Generate response
    response = await generate_response(user_input, context)

    # Save interaction
    await save_interaction(user_id, user_input, response)

    return response


async def init_mcp():
    """Run the completion client example."""
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            tools = await session.list_tools()
            global mcp_session
            mcp_session = session
            print(f"Available tools: {[tool.name for tool in tools.tools]}")

            print("歡迎!我是您的專屬旅行助手！今天，您想讓我幫您規劃哪些旅行計劃呢？")
            user_id = "張三"

            while True:
                user_input = input("You: ")
                if user_input.lower() in ['quit', 'exit', 'bye']:
                    print("感謝您的使用，祝您旅途愉快！")
                    break

                response = await run_chat(user_input, user_id)
                print(f"旅行助手: {response}")

if __name__ == "__main__":
    asyncio.run(init_mcp())

測試Agent。

在本測試中，當使用者首次告知“我喜歡火鍋”時，Agent將記憶此使用者偏好；後續規划行程時，Agent自動召回此偏好，在行程中融入火鍋元素。

第一輪對話

輸入樣本

You: 我喜歡火鍋

返回樣本

2025-08-19 15:09:32,730 - mcp.server.lowlevel.server - DEBUG - Received message: <mcp.shared.session.RequestResponder object at 0x1035bd1d0>
2025-08-19 15:09:32,730 - mcp.server.lowlevel.server - INFO - Processing request of type CallToolRequest
2025-08-19 15:09:32,730 - mcp.server.lowlevel.server - DEBUG - Dispatching request of type CallToolRequest
2025-08-19 15:09:32,734 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-19 15:09:32,734 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-19 15:09:33,145 - mcp.server.lowlevel.server - DEBUG - Response sent
Memories: 喜歡火鍋
2025-08-19 15:10:32,353 - mcp.server.lowlevel.server - DEBUG - Received message: <mcp.shared.session.RequestResponder object at 0x103584b00>
2025-08-19 15:10:32,354 - mcp.server.lowlevel.server - INFO - Processing request of type CallToolRequest
2025-08-19 15:10:32,354 - mcp.server.lowlevel.server - DEBUG - Dispatching request of type CallToolRequest
2025-08-19 15:10:32,359 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-19 15:10:32,359 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-19 15:10:36,532 - mcp.server.lowlevel.server - DEBUG - Response sent
Saving memories: meta=None content=[TextContent(type='text', text="{'results': []}", annotations=None, meta=None)] structuredContent=None isError=False
旅行助手: 太棒了！火鍋是非常美味的美食選擇。既然你喜歡火鍋，我可以為你推薦一些以火鍋聞名的旅行目的地，或者幫你規劃一趟充滿火鍋體驗的旅程。

以下是一些適合火鍋愛好者的旅行建議：

---

### **國內火鍋之旅推薦**
1. **重慶**  
   - 作為中國火鍋的發源地之一，重慶的麻辣火鍋以其濃鬱的牛油底料和豐富的配菜聞名。  
   - 必去火鍋店：  
     - 【珮姐老火鍋】：地道重慶風味，招牌毛肚必點！  
     - 【秦媽火鍋】：連鎖品牌，但口味正宗且環境舒適。  
   - 推薦體驗：在洪崖洞附近的火鍋店邊欣賞夜景邊吃火鍋。

2. **成都**  
   - 成都的火鍋偏重香辣，同時也有很多鴛鴦鍋選項，適合不太能吃辣的人。  
   - 必去火鍋店：  
     - 【蜀九香】：以精緻的菜品和服務著稱。  
     - 【小龍坎老火鍋】：人氣超高，經常需要排隊。  
   - 推薦活動：吃完火鍋後可以逛寬窄巷子或春熙路，感受成都慢生活。

3. **北京**  
   - 北京的涮羊肉火鍋是北方火鍋的代表，湯底清淡，注重食材本身的味道。  
   - 必去火鍋店：  
     - 【東來順】：老字型大小，羊肉鮮嫩可口。  
     - 【海底撈】：服務一流，適合家庭聚餐。  

4. **雲南騰衝**  
   - 騰衝的特色是“火山熱海”，這裡的野生菌火鍋非常有名，尤其是松茸、牛肝菌等新鮮山珍。  
   - 推薦搭配：嘗試用當地特有的酸辣蘸水調味。

---

### **國外火鍋之旅推薦**
1. **日本（壽喜燒/しゃぶしゃぶ）**  
   - 壽喜燒和涮涮鍋（Shabu-Shabu）是日本經典的火鍋形式，以薄切牛肉和蔬菜為主，搭配生雞蛋液食用。  
   - 推薦城市：東京、大阪。  
   - 必去餐廳：  
     - 【敘敘苑】（東京）：進階壽喜燒體驗。  
     - 【一蘭拉麵旁的小型日式火鍋店】：更接地氣的選擇。

2. **韓國（部隊鍋/韓式火鍋）**  
   - 韓國的部隊鍋、泡菜鍋和海鮮鍋都很受歡迎，味道濃鬱且分量十足。  
   - 推薦城市：首爾、釜山。  
   - 必去餐廳：明洞或弘大的街頭小吃店，性價比高。

3. **泰國（泰式椰奶火鍋）**  
   - 泰國的火鍋通常使用椰奶湯底，加入檸檬草、香茅等調料，口感清爽又獨特。  
   - 推薦城市：曼穀、清邁。  
   - 必去餐廳：【Mae Varee】，位於清邁，提供傳統泰北風味火鍋。

---

### **個人化行程規劃**
如果你計劃一次圍繞火鍋展開的旅行，可以告訴我你的出發地點、時間安排以及預算範圍，我將為你設計一份詳細的行程單！例如：
- **短期周末遊**：從你所在的城市前往最近的火鍋勝地（如重慶或成都）。  
- **長假深度遊**：結合多個目的地，探索不同風格的火鍋文化。

---

請告訴我更多細節，比如你想去的地方、出行時間和同伴情況，這樣我可以進一步最佳化建議哦！

第二輪對話輸入樣本

You: 規划去上海的旅行計劃

返回樣本

2025-08-21 16:22:33,470 - mcp.server.lowlevel.server - DEBUG - Received message: <mcp.shared.session.RequestResponder object at 0x104016250>
2025-08-21 16:22:33,470 - mcp.server.lowlevel.server - INFO - Processing request of type CallToolRequest
2025-08-21 16:22:33,470 - mcp.server.lowlevel.server - DEBUG - Dispatching request of type CallToolRequest
2025-08-21 16:22:33,474 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-21 16:22:33,474 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****..gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-21 16:22:33,730 - mcp.server.lowlevel.server - DEBUG - Response sent
Memories: 喜歡火鍋
2025-08-21 16:23:34,555 - mcp.server.lowlevel.server - DEBUG - Received message: <mcp.shared.session.RequestResponder object at 0x1040156a0>
2025-08-21 16:23:34,556 - mcp.server.lowlevel.server - INFO - Processing request of type CallToolRequest
2025-08-21 16:23:34,556 - mcp.server.lowlevel.server - DEBUG - Dispatching request of type CallToolRequest
2025-08-21 16:23:34,561 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-21 16:23:34,562 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-21 16:23:39,645 - mcp.server.lowlevel.server - DEBUG - Response sent
Saving memories: meta=None content=[TextContent(type='text', text="{'results': [{'id': '901de85d-3f8f-49f8-9381-30a7f1d23044', 'memory': '規划去上海的旅行計劃', 'event': 'ADD'}]}", annotations=None, meta=None)] structuredContent=None isError=False
旅行助手: 好的！既然你喜歡火鍋，那我為你規劃一個融合了美食、文化和景點的上海旅行計劃，重點突出火鍋體驗和其他經典活動。以下是為期3天的行程建議：

---

### **第一天：抵達上海 & 美食初體驗**
**上午：抵達上海**
- 根據你的航班或火車時間，抵達後先入住酒店（推薦選擇市中心地區如南京東路、外灘或徐家匯附近）。
- 放鬆休息，調整狀態。

**中午：午餐 - 本幫菜初體驗**
- 推薦餐廳：【老正興】或【綠波廊】
- 品嘗上海特色菜肴，比如紅燒肉、蟹粉小籠包等，感受地道的本幫風味。

**下午：外灘漫步 & 南京路步行街**
- 外灘：欣賞黃浦江兩岸的風景，感受上海的歷史與現代交融。
- 南京路步行街：逛一逛繁華的購物街區，順便買些小吃，比如鮮肉月餅或糖炒栗子。

**晚上：火鍋晚餐**
- 推薦餐廳：【海底撈（南京東路店）】或【小龍坎老火鍋】
- 海底撈以服務著稱，適合享受貼心的用餐體驗；小龍坎則更偏向正宗川味火鍋。
- 必點菜品：麻辣鍋底、毛肚、黃喉、蝦滑、手工牛肉丸。

---

### **第二天：文化探索 & 美食之旅**
**上午：豫園與城隍廟**
- 豫園：典型的江南園林，景色精緻，適合拍照打卡。
- 城隍廟周邊小吃：南翔小籠包、蟹殼黃、酒釀圓子等，可以嘗試一些輕食。

**中午：簡單午餐**
- 在城隍廟附近選擇一家小店，試試生煎包或蔥油拌面。

**下午：田子坊 & 徐匯濱江藝術區**
- 田子坊：充滿創意的小巷，有很多手工藝品店和咖啡館，非常適合閑逛。
- 徐匯濱江藝術區：如果你喜歡現代藝術，可以參觀西岸美術館或龍美術館。

**晚上：高端火鍋體驗**
- 推薦餐廳：【湊湊火鍋·茶憩】或【譚鴨血老火鍋】
- 湊湊結合了台式火鍋和奶茶飲品，環境優雅；譚鴨血則以其獨特的鴨血和滷味拼盤聞名。
- 必點菜品：花膠雞湯鍋底、海鮮拼盤、手打蝦滑。

---

### **第三天：魔都全景 & 返程**
**上午：上海中心大廈（上海之巔觀光廳）**
- 登上中國第一高樓——上海中心大廈，在546米高的觀光廳俯瞰整個城市。

**中午：靜安寺商圈午餐**
- 推薦餐廳：【鼎泰豐】或【新旺茶餐廳】
- 嘗試一些清淡的菜品，為接下來的火鍋做準備。

**下午：迪士尼小鎮或朱家角古鎮**
- 如果你喜歡輕鬆的氛圍，可以選擇去迪士尼小鎮逛街、喝咖啡，不需要入園遊玩。
- 如果偏愛古色古香的地方，可以前往朱家角古鎮，乘船遊覽水鄉風光。

**晚上：告別火鍋盛宴**
- 推薦餐廳：【蜀大俠火鍋】或【佩姐老火鍋】
- 蜀大俠的裝修風格極具江湖氣息，佩姐則主打重慶老味道。
- 必點菜品：九宮格鍋底、肥牛卷、貢菜、苕粉。

---

### **其他實用資訊**
1. **交通方式**：
   - 地鐵是最便捷的方式，覆蓋全市主要景點。
   - 使用“Metro大都會”App掃碼乘車非常方便。
2. **季節注意事項**：
   - 春秋季節天氣宜人，適合戶外活動。
   - 冬季較冷，但火鍋更加溫暖人心！
3. **行李打包建議**：
   - 帶一雙舒適的鞋子，因為需要較多步行。
   - 上海冬天濕冷，記得帶保暖衣物。

希望這個行程能讓你在上海玩得開心，同時滿足你對火鍋的熱愛！如果還有其他需求或者想要調整，請隨時告訴我~

應用情境

前提條件

產品架構

基礎功能

記憶檢索

記憶更新

時間戳優先

信賴度評分（Confidence Scoring）

上下文合并

記憶類型與情境

使用樣本

環境配置

添加新記憶

擷取某個使用者或Agent的所有記憶

擷取給定query相關的記憶

刪除某個使用者或Agent的所有記憶

構建帶有記憶的個人專屬旅行Agent