langchain agent的长期记忆

     1. 概述

        长期记忆以JSON格式保存在store中，开发和测试可以基于内存，生产系统必须使用数据库。长期记忆内容保存在指定的命名空间并且有一个唯一的标识，命名空间可以嵌套，所以长期记忆支持多层级存储。比如，一级名字空间为root，二级名字空间为企业的统一社会信用代码，三级名字空间为用户唯一标识。

      2.创建store

        以下代码创建store，用于保存长期记忆，为了支持语义搜索，所以创建store时指定嵌入模型及嵌入字段。

from langchain_huggingface.embeddings.huggingface import HuggingFaceEmbeddings
embedding = HuggingFaceEmbeddings(model_name='../models/text2vec-base-chinese')

store = InMemoryStore(
    index={
        "embed": embedding,  # Embedding provider
        "dims": 768,   # Embedding dimensions
        "fields": ["favourite_topic", "$"] # Fields to embed
    }
)

ns = ('mystore',) #命名空间
memoryid = '13812345678' #键
memory = {'name':'davi', 'favourite_topic': 'joke, essay, story'}#值
store.put(ns, memoryid, memory, index=["favourite_topic"])

memories = store.search(
    ns,
    query="what's davi's favourite topic?",
)
memories

      3.工具读长期记忆

        创建上下文类，其中传入用户唯一标识：

from dataclasses import dataclass
@dataclass
class Context:
    user_id: str        

        声明访问store的工具：

rom langchain.tools import tool, ToolRuntime
@tool
def get_user_info(runtime: ToolRuntime[Context]) -> str:
    """Look up user info."""
    store = runtime.store 
    user_id = runtime.context.user_id
    user_info = store.get(("mystore",), user_id) 
    return str(user_info.value) if user_info else "Unknown user"

         创建agent，传入上下文和store:

from langchain.agents import create_agent
agent = create_agent(
    model=llm,
    tools=[get_user_info],
    # Pass store to agent - enables agent to access store when running tools
    store=store, 
    context_schema=Context
)

        调用agent，查找指定用户信息：

agent.invoke(
    {"messages": [{"role": "user", "content": "look up user information"}]},
    context=Context(user_id="13812345678") 
)

      4.工具写长期记忆

        定义用户信息类：

class UserInfo(TypedDict):

    name: str

    favourite_topic: str

        定义写长期记忆工具：

@tool
def save_user_info(user_info: UserInfo, runtime: ToolRuntime[Context]) -> str:
    """Save user info."""
    store = runtime.store 
    user_id = runtime.context.user_id 
    store.put(("users",), user_id, user_info) 
    return "Successfully saved user info."

        创建agent，传入上下文类：

agent = create_agent(
    model=llm,
    tools=[get_user_info, save_user_info],
    store=store, 
    context_schema=Context
)

        调用agent保存用户信息到长期记忆中：

agent.invoke(
    {"messages": [{"role": "user", "content": "My name is John Smith"}]},
    # user_id passed in context to identify whose information is being updated
    context=Context(user_id="user_123") 
)