AgentKit
AgentKit
文档指南
请输入
- 文档首页
AgentKitAgentKit开发者指南SDK参考Memory
复制全文
下载 pdfMemory
文档反馈
问问助手本文以mem0记忆库为例，指导您安装依赖项和使用VeADK构建一个带长期记忆能力的智能体。
前提条件
步骤一：构建智能体
您无需从0~1构建veadk项目，推荐您使用agentkit-cli，从Basic Agent App模版来创建项目（模板使用VeADK框架）。在模版创建完成后，您需要做以下修改：
- 为Agent添加LongTermMemory。
- 配置上个章节获取的环境变量到agentkit.yaml。
- 增加mem0ai==0.1.118到requirements.txt。
- 在每一轮对话结束后显式调用runner.save_session_to_long_term_memory，将对话结果保存到长期记忆库。
修改后的代码文件如下所示：
'''
**simple agent demo app**
Before running, the user must set the following environment variables; otherwise, runtime exceptions will inevitably occur:
- MODEL_AGENT_NAME # model id in Volcano Engine Ark platform
- MODEL_AGENT_API_KEY # model api key in Volcano Engine Ark platform
MODEL_AGENT_NAME and MODEL_AGENT_API_KEY are used to access the model service of the Volcano Engine Ark platform.
'''
import logging
import os
from veadk import Agent, Runner
from veadk.memory.long_term_memory import LongTermMemory
from agentkit.apps import AgentkitSimpleApp
logger = logging.getLogger(__name__)
index = "simple_app" # required for viking backend, arbitrary for mem0 backend
backend = "mem0" # one of "mem0", "viking_mem"
if backend == "viking_mem":
collection_name = os.getenv("DATABASE_VIKINGMEM_COLLECTION")
if not collection_name:
raise ValueError("DATABASE_VIKINGMEM_COLLECTION environment variable is not set")
index = collection_name
app = AgentkitSimpleApp()
long_term_memory = LongTermMemory(
backend=backend,
index=index
)
agent = Agent(
name="simple_app_agent",
instruction="You are a helpful assistant.",
long_term_memory=long_term_memory
)
runner = Runner(agent=agent)
@app.entrypoint
async def run(payload: dict, headers: dict) -> str:
prompt = payload["prompt"]
user_id = headers["user_id"]
session_id = headers["session_id"]
logger.info(
f"Running agent with prompt: {prompt}, user_id: {user_id}, session_id: {session_id}"
)
response = await runner.run(messages=prompt, user_id=user_id, session_id=session_id)
logger.info(f"Run response: {response}")
# save the teaching prompt and answer in long term memory
await runner.save_session_to_long_term_memory(session_id=session_id, user_id=user_id)
return response
@app.ping
def ping() -> str:
return "pong!"
if __name__ == "__main__":
app.run(host="0.0.0.0", port=8000)
步骤二：环境配置
在agentkit.yaml文件中添加如下配置：
# 当长期记忆后端为mem0记忆库时，添加如下配置
launch_types:
cloud:
runtime_envs:
DATABASE_MEM0_BASE_URL: <your mem0 url>
DATABASE_MEM0_API_KEY: <your mem0 api key>
# 当长期记忆后端为Viking记忆库时，添加如下配置
launch_types:
cloud:
runtime_envs:
DATABASE_VIKINGMEM_COLLECTION: <your vikingdb collection name>
DATABASE_VIKINGMEM_MEMORY_TYPE: <your vikingdb memory type, defaults to "event_v1", separate multiple by comma, e.g. event_v1,event_v2>
步骤三：启动服务
运行agentkit launch。构建好Runtime链接信息将被自动保存在agentkit.yaml文件中。
步骤四：发起调用
将自动使用user_id="agentkit_user", session_id="agentkit_sample_session"来发起调用。
agentkit invoke "My secret is 0xabcd"
步骤五：验证记忆策略成效
首轮调用已完成密码保存。需更换session_id发起新一轮调用，以此验证Agent是否能够正确读取记忆库中的数据。建议等待约 1 分钟，待长期记忆完成抽取后，再执行调用操作。
agentkit invoke \
--payload '{"prompt": "What is my secret?"}' \
--headers '{"user_id": "agentkit_user", "session_id": "s123"}'
执行结束后，您将看到Agent成功读取到记忆库中的信息，并告诉您密码。
最近更新时间：2026.01.08 10:02:18
这个页面对您有帮助吗？
有用
有用
无用
无用