AutoGen学习笔记系列（十二）Advanced - Memory

最新推荐文章于 2025-03-12 21:08:21 发布

班长我是读书人

最新推荐文章于 2025-03-12 21:08:21 发布

阅读量1.2k

点赞数 17

分类专栏： AutoGen 文章标签：学习笔记人工智能 python 语言模型

本文链接：https://blog.csdn.net/nenchoumi3119/article/details/146211244

版权

AutoGen 专栏收录该内容

17 篇文章

订阅专栏

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 OpenAIChatCompletionClient

import os, asyncio

os.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()
)