返回资讯中心
外部精选
大数据
#数据科学#机器学习

如何用OpenAI Agents SDK和Mem0为AI代理添加长期记忆

来源标题:How to Give Your AI Agent Memory

教程演示如何通过OpenAI Agents SDK、Mem0和MCP为AI代理赋予跨会话的长期记忆。核心思路是检索而非全量注入:代理在需要时搜索记忆库,只取回与当前请求相关的信息,从而在保持上下文精简的同时表现得像记得过往对话。示例中代理可通过search_memory工具搜索、保存并复用记忆,并用独立USER_ID隔离不同用户的记忆。

KDnuggetsAbid Ali Awan2026/11/6 · 11 天前12 分钟阅读

以下正文由 AI 翻译自 KDnuggets(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

关键在于检索。与其把之前每一轮对话都塞进 prompt,不如让 agent 搜索自己的记忆,只取回与当前请求相关的信息。这样上下文更小,agent 却依然表现得像记得之前的交互一样。

本节中,我们将构建一个简单的 agent,让它能够在多次对话之间搜索、保存和复用信息。先安装 OpenAI Agents SDK 和 Mem0:

pip install openai-agents mem0ai

接下来设置 API key:

export OPENAI_API_KEY="your-openai-key" export MEM0_API_KEY="your-mem0-key"

然后导入所需的类并创建一个 Mem0 客户端:

from agents import Agent, Runner, function_tool from mem0 import MemoryClient memory = MemoryClient() USER_ID = "abid"

MemoryClient 让我们的 agent 能够访问 Mem0,而 USER_ID 告诉 Mem0 要存储和检索谁的记忆。为每个用户使用单独的标识符可以保证他们的记忆彼此隔离。

现在我们需要给 agent 一种从之前对话中查找相关信息的方式。我们通过创建一个 search_memory 工具来实现,它把当前查询发送给 Mem0,并返回最相关的已存记忆。

def search_memory(query: str) -> str: """Search for relevant memories about the user.""" results = memory.search( query=query, filters={"user_id": USER_ID}, top_k=5, ) memories = results.get("results", []) if not memories: return "No relevant memories found." return "\n".join( f"- {item['memory']}" for item in memories )

Mem0 使用语义搜索,所以措辞不必完全一致。只要意思相近,agent 仍然能检索到正确的记忆。

接下来,我们需要一种方式让 agent 把有用的信息保存下来,供以后的对话使用。我们通过 save_memory 工具来实现,它把重要的事实、偏好或决定发送给 Mem0。

def save_memory(content: str) -> str: """Save useful long-term information about the user.""" memory.add( messages=[ "role": "user

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →