Prompt Engineering & LLM Optimization for Developers · Lekcja

Zarządzanie pamięcią i stanem agentów

Zaimplementują Państwo techniki trwałej pamięci i zarządzania stanem agentów LLM, umożliwiające długotrwałe rozmowy i złożone sekwencje zadań.

Zarządzanie pamięcią i stanem agentów to bezpłatna lekcja Prompt Engineering & LLM Optimization for Developers na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Prompt Engineering & LLM Optimization for Developers, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Prompt Engineering & LLM Optimization for Developers zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Agents Need Memory

LLM agents are designed to perform complex tasks. But by default, LLMs are stateless! This means they don't "remember" past interactions.

For an agent to have a meaningful conversation or complete multi-step tasks, it needs a way to recall previous information. This is where memory comes in.

Short & Long-Term Memory

Agent memory can be categorized into two main types:

Short-Term Memory: This is like a human's working memory. It holds recent, relevant information for immediate use, often the raw conversation history.
Long-Term Memory: Stores information over extended periods, like past conversations or learned facts. It helps agents retain knowledge beyond the current interaction.

Conversational Buffer Memory

The simplest form of short-term memory for an agent is a conversational buffer. It stores the raw exchange of messages between the user and the agent.

When generating a new response, the agent is prompted with the entire buffer, allowing it to maintain context for the current turn.

Basic Chat Buffer Demo

Here's a simple Python example simulating a conversational buffer. Each new message is added to a list that represents the agent's memory.

class AgentMemory:
    def __init__(self):
        self.history = []

    def add_message(self, role, content):
        self.history.append(f"{role}: {content}")

    def get_history(self):
        return "\n".join(self.history)

# Simulate agent interaction
memory = AgentMemory()
memory.add_message("User", "Hi, what's the weather like?")
memory.add_message("Agent", "It's sunny today.")
memory.add_message("User", "What about tomorrow?")

print("Current conversation history:")
print(memory.get_history())

Summarizing for Long-Term

Raw conversation buffers grow quickly, hitting LLM context window limits and increasing costs. Summarization is a key technique for long-term memory.

Instead of sending the full history, we periodically summarize older parts of the conversation, keeping the key points while discarding verbose details.

Summarized Memory Concept

This example shows how a summary might be generated and used. In a real application, an LLM would create the summary, but here we simulate it.

class AgentMemory:
    def __init__(self):
        self.buffer = []
        self.summary = "No previous conversation."

    def add_message(self, role, content):
        self.buffer.append(f"{role}: {content}")
        # In a real app, trigger LLM summarization here
        if len(self.buffer) > 4: # Example threshold
            self.summarize_buffer()

    def summarize_buffer(self):
        # Simulate LLM summarizing the buffer
        old_messages = "\n".join(self.buffer[:-2])
        new_summary = f"Summary of past: {old_messages[:30]}..."
        self.summary = new_summary
        self.buffer = self.buffer[-2:] # Keep recent messages

    def get_full_context(self):
        return f"Previous summary: {self.summary}\n" + \
               "\n".join(self.buffer)

memory = AgentMemory()
memory.add_message("User", "Tell me about your capabilities.")
memory.add_message("Agent", "I can answer questions.")
memory.add_message("User", "Can you write code?")
memory.add_message("Agent", "Yes, in Python.")
memory.add_message("User", "What about Java?") # This triggers summary
memory.add_message("Agent", "I can try some Java.")

print("Agent's current context:")
print(memory.get_full_context())

Agent Task State

Beyond just remembering conversation, agents need to manage state to complete multi-step tasks. This means tracking progress, decisions made, and information collected.

Think of it like a checklist or a finite state machine for the agent's goal. For example, booking a flight requires knowing source, destination, and dates.

Flight Booking State Example

Consider an agent helping book a flight. Its internal state might include:

Status: "collecting_info", "searching_flights", "booking_confirmed"
Departure City: "London"
Destination City: "Paris"
Departure Date: "2024-12-25"
Number of Passengers: "1"

The agent updates this state as it gathers information from the user.

Memory & State Challenges

Managing agent memory and state introduces several key challenges:

Context Window Limits: How much information can the LLM process at once?
Cost: Longer contexts mean more tokens and higher API costs.
Retrieval: For very long-term memory (e.g., a knowledge base), how does the agent efficiently find the most relevant past information?
Consistency: Ensuring the agent's state accurately reflects the task's progress and collected data.

Memory Check

Let's check your understanding of agent memory and state management techniques.

Recap: Memory & State

In this lesson, we explored how memory and state are essential for LLM agents to engage in long-term conversations and complete complex tasks.

We covered short-term conversational buffers and long-term summarization techniques.
We also looked at how state management helps agents track progress through multi-step processes.

These techniques are fundamental for building truly capable and persistent AI agents.

Często zadawane pytania

Czy lekcja „Zarządzanie pamięcią i stanem agentów” jest bezpłatna?

Tak — pełny tekst „Zarządzanie pamięcią i stanem agentów” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Prompt Engineering & LLM Optimization for Developers, przejdź na CoddyKit PRO. Kurs Prompt Engineering & LLM Optimization for Developers zawiera 4 lekcji w sumie.

Co nauczysz się w „Zarządzanie pamięcią i stanem agentów”?

Zaimplementują Państwo techniki trwałej pamięci i zarządzania stanem agentów LLM, umożliwiające długotrwałe rozmowy i złożone sekwencje zadań. Ćwiczysz Prompt Engineering & LLM Optimization for Developers z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Prompt Engineering & LLM Optimization for Developers?

Nie wymagamy żadnego doświadczenia. Prompt Engineering & LLM Optimization for Developers w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.

Ile czasu zajmuje lekcja „Zarządzanie pamięcią i stanem agentów”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Prompt Engineering & LLM Optimization for Developers?

Tak. Każda lekcja Prompt Engineering & LLM Optimization for Developers zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

Projektowanie systemów wieloagentowych
Zarządzanie pamięcią i stanem agentów
Autonomiczna automatyzacja przepływów pracy
Refleksja agentów i pętle samokorekty

← Powrót do Prompt Engineering & LLM Optimization for Developers