建网页和网站的区别中国住房和城乡建设部查询网站
这篇文章瞄的是AutoGen官方教学文档 Advanced 章节中的 Memory 篇章，介绍了如何将外部知识添加进 Team或Agent中以实现RAG功能。
- 官网链接：https://microsoft.github.io/autogen/stable/user-guide/agentchat-user-guide/memory.html ；
【注意】：本文的Memory可以被翻译成“知识库”，但这里为了和专家系统进行区分就翻译成“记忆体”了；
Memory
对于一个Team或者Agent而言维护一些有价值的知识 facts 能够更好的让其开展工作，因为他们能够在合适的时间将这些知识添加到上下文中。最经典的使用实例就是 Retrieval-Augmented Generation (RAG)，即检索增强生成，是一种结合了 信息检索 和 文本生成 的技术，主要用于提升LLM在生成文本时的准确性和相关性。
RAG 的核心思想是：在生成文本之前，先从外部知识库或文档中检索相关信息，然后将检索到的信息给LLM生成更准确、更有依据的答案。这种方法特别适合 需要基于事实或特定领域知识的任务。有点类似于构建了一个 小型或临时 的专家系统，但与专家系统之间存在本质区别：
| RAG | 专家系统 | |
|---|---|---|
| 目标 | 动态生成准确、相关的文本 | 模拟专家决策，解决特定领域问题 |
| 知识来源 | 外部动态检索 | 手工构建的知识库 |
| 灵活性 | 高，适用于开放领域 | 低，适用于封闭领域 |
| 输出特性 | 概率性，可能存在幻觉 | 确定性，基于规则推理 |
| 技术实现 | 深度学习 + 检索技术 | 规则引擎 + 符号推理 |
| 应用场景 | 问答、内容生成、开放领域任务 | 诊断、决策支持、封闭领域任务 |
关于RAG和专家系统之间的差异这里就不再过多赘述，感兴趣的可以自己去查看相关文献。
AutoGen库提供了一个 Memory 协议以提供以下功能，其核心方法是 query、update_context、add、clear以及close：
add：向记忆中添加新的知识；query：从记忆中检索相关知识；update_context：通过添加检索到的知识来修改Agent内部的上下文信息model_context；clear：清空记忆中的所有知识；close：清空记忆中的所有知识并回收资源；
ListMemory Example
微软提供了一个基于 ListMemory 对象的记忆体并按照时间关系来维护，能够将近期的记忆添加到模型的上下文中，你可以将其看作是一个 list 数组。该对象被设计成明确且直接可用的，因为list中的内容本身就是你新增的知识，而不是LLM生成的。
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.ui import Console
from autogen_core.memory import ListMemory, MemoryContent, MemoryMimeType
from autogen_ext.models.openai import OpenAIChatCompletionClientimport os, asyncioos.environ["OPENAI_API_KEY"] = "你的OpenAI API Key"#------------------------------------------------------------#
# Step1. 创建一个 ListMemory 对象
user_memory = ListMemory()#------------------------------------------------------------#
# Step2. 手动添加一些知识给 ListMemory 对象
# 1. 天气的返回信息必须是公制单位
# 2. 食谱必须是素食；
async def user_memory_add():await user_memory.add(MemoryContent(content="The weather should be in metric units", mime_type=MemoryMimeType.TEXT))await user_memory.add(MemoryContent(content="Meal recipe must be vegan", mime_type=MemoryMimeType.TEXT))#------------------------------------------------------------#
# Step3. 定义一个用来获取天气的工具tool
async def get_weather(city: str, units: str = "imperial") -> str:if units == "imperial":return f"The weather in {city} is 73 °F and Sunny."elif units == "metric":return f"The weather in {city} is 23 °C and Sunny."else:return f"Sorry, I don't know the weather in {city}."#------------------------------------------------------------#
# Step4. 创建Agent
assistant_agent = AssistantAgent(name="assistant_agent",model_client=OpenAIChatCompletionClient(model="gpt-4o-2024-08-06",),tools=[get_weather],memory=[user_memory],
)async def main():# 任务一：使用工具 get_weather 查询纽约天气await user_memory_add()stream = assistant_agent.run_stream(task="What is the weather in New York?")await Console(stream)print("-" * 50)message = await assistant_agent._model_context.get_messages()for item in message:print(item)print("-" * 50)# 任务二：向LLM进行轮询，要求写一个肉汤食谱stream = assistant_agent.run_stream(task="Write brief meal recipe with broth")await Console(stream)asyncio.run(main()
)
运行结果如下，第一个任务：
$ python demo.py
【缺失库】Custom Memory Stores (Vector DBs, etc.)
除了上面用纯文本的方式添加记忆体意外，AutoGen也提供了使用向量或者ext文件的形式来添加记忆体中的内容，即你可以使用矢量数据库存储和检索信息，但需要对 add, query, update_context 这三个方法进行重载：
【注意】：对于我当前的AutoGen版本 0.4.7 而言，官网的demo在此处至少缺失一个库 chromadb，但文档中提示 autogen-ext 0.4.7 does not provide the extra 'memory'，我后续将这个问题解决后再放上修改后的demo；