Pamięć i stan w agentowym RAG
Zapewnij agentowi RAG pamięć krótkoterminową i długoterminową, aby mógł prowadzić rozmowy i przywoływać fakty w kolejnych turach.
Pamięć i stan w agentowym RAG to bezpłatna lekcja LangChain / RAG / Vector DBs na CoddyKit. To lekcja 4 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 LangChain / RAG / Vector DBs, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs LangChain / RAG / Vector DBs zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Why Agents Need Memory
A stateless agent forgets everything after each call. Memory lets an agent track the conversation, remember user preferences, and avoid repeating retrievals.
Short-Term vs. Long-Term
Short-term memory holds the current conversation in the context window. Long-term memory persists facts across sessions, often in a vector store or database.
Conversation Buffer
The simplest memory keeps the full message history and replays it each turn so the model has full context.
history = []
def chat(user_msg):
history.append({"role": "user", "content": user_msg})
reply = llm.invoke(history)
history.append({"role": "assistant", "content": reply})
return replyThe Context Window Limit
Replaying the entire history eventually overflows the model context. You must summarize or trim older turns to stay within the token budget.
Summary Memory
Periodically compress old turns into a running summary, keeping recent turns verbatim. This preserves gist while freeing tokens.
if len(history) > 20:
summary = llm.invoke("Summarize: " + str(history[:-6]))
history[:] = [{"role": "system", "content": summary}] + history[-6:]Long-Term Memory via Vectors
Store durable facts as embeddings. On each turn, retrieve relevant memories by similarity and inject them, just like RAG over a knowledge base.
memory_store.add_texts(["User prefers metric units"])
relevant = memory_store.similarity_search(user_msg, k=3)Choosing What to Remember
Do not store everything. Extract durable, reusable facts (preferences, decisions, entities) and skip ephemeral chatter to keep long-term memory clean.
State Beyond Chat
Agents also track non-conversational state: which tools ran, intermediate results, and a scratchpad of reasoning steps used to plan the next action.
Thread and Session Keys
In multi-user systems, scope memory by a thread_id or user_id so conversations never leak between people.
def get_history(thread_id):
return store.get(thread_id, [])
def save(thread_id, messages):
store[thread_id] = messagesPersistence
For memory to survive restarts, back it with a database or checkpointer rather than an in-process dictionary. LangGraph offers checkpointers for exactly this.
Putting It Together
Combine a trimmed conversation buffer for recency, summary memory for the middle, and vector long-term memory for durable facts, all keyed by session.
Quick Check
Test your understanding of agent memory.
Recap
You added memory to agents:
- Short-term buffer for the current chat
- Summary memory to fit the context window
- Long-term vector memory for durable facts
- Scope by session and persist for durability
Ucz się LangChain / RAG / Vector DBs dzięki korepetycjom AI — za darmo
Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.
- Kursy
- 12
- Lekcje
- 48
Często zadawane pytania
Czy lekcja „Pamięć i stan w agentowym RAG” jest bezpłatna?
Tak — pełny tekst „Pamięć i stan w agentowym RAG” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu LangChain / RAG / Vector DBs, przejdź na CoddyKit PRO. Kurs LangChain / RAG / Vector DBs zawiera 4 lekcji w sumie.
Co nauczysz się w „Pamięć i stan w agentowym RAG”?
Zapewnij agentowi RAG pamięć krótkoterminową i długoterminową, aby mógł prowadzić rozmowy i przywoływać fakty w kolejnych turach. Ćwiczysz LangChain / RAG / Vector DBs 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 LangChain / RAG / Vector DBs?
Nie wymagamy żadnego doświadczenia. LangChain / RAG / Vector DBs w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.
Ile czasu zajmuje lekcja „Pamięć i stan w agentowym RAG”?
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 LangChain / RAG / Vector DBs?
Tak. Każda lekcja LangChain / RAG / Vector DBs 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
- Agenci LangChain i koncepcja narzędzi
- Tworzenie wieloagentowych przepływów pracy RAG
- Integracja zewnętrznych API jako narzędzi
- Pamięć i stan w agentowym RAG