Function Compute：長期記憶

使用情境

• 使用者偏好記憶：記住使用者的語言偏好、常用設定等，在後續對話中自動應用

• 歷史互動回顧：跨會話檢索使用者過往對話內容，避免重複提問

• 個人化推薦：基於使用者歷史行為和偏好，提供個人化的推薦和建議

前提條件

• 已建立記憶儲存執行個體，可參考建立和管理記憶儲存。

• 長期記憶需要配置大語言模型（LLM）和向量模型（Embedder），即 llmConfig 和 embedderConfig 均非空

限制說明

添加記憶

1. 進入記憶儲存執行個體詳情頁，選擇長期記憶。

2. 點擊添加记忆按鈕，開啟添加使用者記憶表單。

3. 填寫記憶資訊：

   欄位	說明	樣本
   使用者ID	必填，標識記憶所屬的使用者	test-user-001
   記憶內容	必填，記憶的具體內容	居住在杭州
   中繼資料	可選，自訂索引值對。點擊添加中繼資料動態增加	{"category": "food"}

4. 點擊儲存，等待建立完成。

建立成功後，記憶出現在記憶列表中，顯示使用者識別碼、建立時間、記憶內容等資訊。每個記憶卡片提供查看詳情、編輯、查看歷史、刪除等操作按鈕。

查看記憶列表

記憶列表預設展示最多 200 條記憶。每條記憶卡片包含以下資訊：

• 第一行：User ID（粗體），搜尋模式下額外顯示匹配度分數標籤

• 第二行：記憶內容原文

• 第三行：元資訊格式為 {Agent ID} · {Run ID} · {日期}，Agent ID 和 Run ID 為可選，無值時不顯示

支援通過複選框批量選擇記憶條目。當有選中項時，列表右上方出現大量刪除按鈕。

搜尋和篩選記憶

當記憶數量超過 200 條時，使用搜尋功能尋找特定記憶。搜尋時需同時提供關鍵詞和至少一個 ID（User ID / Agent ID / Run ID）。

1. 在記憶列表頁面頂部的搜尋方塊中輸入關鍵詞。

2. 展開進階篩選面板，填寫至少一個篩選條件（使用者識別碼、Agent ID 或 Run ID）。

3. 搜尋結果按向量相似性從高到低排序，每條結果顯示匹配度分數。

查看記憶詳情

1. 在記憶列表中，點擊記憶卡片右側的查看按鈕（Eye 表徵圖）。

2. 詳情抽屜展示以下資訊：

   • Memory ID、User ID、Agent ID（無值顯示 -）、Run ID（無值顯示 -）、建立時間

   • 記憶內容地區，保留原始換行格式

   • 中繼資料地區（如有），以 JSON 格式展示

   • 標籤地區（如 metadata.tags 存在），以藍色圓角標籤展示

修改記憶

1. 在記憶列表中，點擊目標記憶右側的編輯按鈕。

2. 在編輯表單中修改記憶內容欄位。

3. 點擊儲存更改。

編輯表單底部展示 User ID、Agent ID、Run ID、建立時間和更新時間等唯讀資訊。

刪除記憶

查看記憶歷史

記憶的版本歷程記錄了每次新增、更新、刪除操作的變更軌跡。

1. 在記憶詳情抽屜中，點擊查看歷史按鈕。

2. 歷史列表按時間倒序排列，每條記錄包含：

   • 版本資訊：版本號碼 + 「目前的版本」標籤（最新版本）+ 事件類型（新增/更新/刪除）

   • 時間戳記：格式為 YYYY/MM/DD HH:mm:ss

   • 操作者：actor_id + role（如有）

   • 記憶內容：目前的版本的記憶文本

   • 變更詳情（如有變更）：舊值（紅色背景）和新值（綠色背景）對比

MCP 整合

記憶儲存支援通過 MCP（Model Context Protocol）服務將記憶能力整合到智能體中。在 MCP 整合中，可以啟動/關閉 MCP 服務、擷取服務 URL、查看動態配置，並將服務接入智能體。

代码集成

通過 AgentRun SDK 可整合記憶儲存功能。以下樣本示範如何通過 MemoryCollection 擷取記憶儲存配置，並轉換為 mem0 Memory 用戶端進行記憶操作。

from agentrun.memory_collection import MemoryCollection

# 擷取記憶儲存META資訊
memory_collection = MemoryCollection.get_by_name("mem-OGzJ")
print(f"擷取成功： {memory_collection}")

# 轉換為mem0_memory用戶端
memory = MemoryCollection.to_mem0_memory("mem-OGzJ")

# 使用mem0ai Memory用戶端進行操作
user_id = "user123"

# 添加記憶
result = memory.add(
    "我喜歡吃蘋果和香蕉",
    user_id=user_id,
    metadata={"category": "food"},
)
for idx, res in enumerate(result.get("results", []), 1):
    print(f" {idx}. ID: {res.get('id')}, 事件： {res.get('event')}")

# 搜尋記憶
search_results = memory.search("使用者喜歡吃什麼水果？", user_id=user_id)
for idx, result in enumerate(search_results.get("results", []), 1):
    print(
        f" {idx}. 內容： {result.get('memory')}, 相似性： {result.get('score', 0):.4f}"
    )

生态集成

記憶儲存可與 LangChain 等開源智能體開發框架組成，實現基於記憶的對話系統。以下樣本展示如何將記憶儲存整合到 LangChain 對話鏈中，實現基於歷史記憶的個人化響應。

from typing import List, Dict
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from agentrun.integration.langchain import model
from agentrun.memory_collection import MemoryCollection

# 從模型名稱建立
llm = model("qwen3-max")
# 從記憶儲存名稱建立
mem0 = MemoryCollection.to_mem0_memory("mem-OGzJ")


prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="""You are a helpful travel agent AI. Use the provided context to personalize your responses and remember user preferences and past interactions.
    Provide travel recommendations, itinerary suggestions, and answer questions about destinations.
    If you don't have specific information, you can make general suggestions based on common travel knowledge."""),
    MessagesPlaceholder(variable_name="context"),
    HumanMessage(content="{input}")
])

def retrieve_context(query: str, user_id: str) -> List[Dict]:
    """Retrieve relevant context from Mem0"""
    try:
        memories = mem0.search(query, user_id=user_id)
        memory_list = memories['results']
        print(f"Memory search successfully: {memory_list}")
        serialized_memories = ' '.join([mem["memory"] for mem in memory_list])
        context = [
            {
                "role": "system",
                "content": f"Relevant information: {serialized_memories}"
            },
            {
                "role": "user",
                "content": query
            }
        ]
        return context
    except Exception as e:
        print(f"Error retrieving memories: {e}")
        # Return empty context if there's an error
        return [{"role": "user", "content": query}]

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

def save_interaction(user_id: str, user_input: str, assistant_response: str):
    """Save the interaction to Mem0"""
    try:
        interaction = [
            {
              "role": "user",
              "content": user_input
            },
            {
                "role": "assistant",
                "content": assistant_response
            }
        ]
        result = mem0.add(interaction, user_id=user_id)
        print(f"Memory saved successfully: {len(result.get('results', []))} memories added")
    except Exception as e:
        print(f"Error saving interaction: {e}")

def chat_turn(user_input: str, user_id: str) -> str:
    # Retrieve context
    context = retrieve_context(user_input, user_id)

    # Generate response
    response = generate_response(user_input, context)

    # Save interaction
    save_interaction(user_id, user_input, response)

    return response

if __name__ == "__main__":
    print("Welcome to your personal Travel Agent Planner! How can I assist you with your travel plans today?")
    user_id = "alice"

    while True:
        user_input = input("You: ")
        if user_input.lower() in ['quit', 'exit', 'bye']:
            print("Travel Agent: Thank you for using our travel planning service. Have a great trip!")
            break

        response = chat_turn(user_input, user_id)
        print(f"Travel Agent: {response}")

開啟長期記憶失敗

MCP 服務啟動失敗

添加記憶失敗

搜尋記憶失敗