Erkunden Sie Oracle Agent Memory für statebasierte KI-Agenten.
Oracle Agent Memory mit LangChain und ATP für stateful KI-Agenten: RAG, episodische Notizen, ein Streamlit-Desktop-Wrapper sowie REST-Hooks für IDE-Agent-Fähigkeiten.
Quellen: Exploring Oracle Agent Memory
Da KI-Agenten von einfachen Chats zu Workflows übergehen, die mehrere Sitzungen umfassen, wird Speicher zu einer dringenden Notwendigkeit. Oracle Agent Memory erweitert die Oracle Database um eine persistente Speicherschicht, sodass Agenten Kontext speichern, aus früheren Interaktionen lernen und im Laufe der Zeit verbessern können. Zustandslose Tools werden zu zustandsbasierten Systemen, die fortlaufende, mehrschrittige Aufgaben kontinuierlich bearbeiten können.
Was agenteigener Speicher bedeutet
Agenteigener Speicher ist eine persistente Speicherlösung, die es Agenten ermöglicht, Informationen über Sitzungen und Workflows hinweg zu speichern, abzurufen und zu aktualisieren. Er geht über RAG hinaus. Er umfasst sowohl kurzfristigen Kontext (die aktuelle Konversation) als auch langfristige Daten (Präferenzen, historische Ergebnisse, erlerntes Wissen). Mit ihm behalten Agenten ihren Zustand bei und passen sich an Erfahrungen an, anstatt jedes Mal von Null an anzufangen.
Ohne Speicher leiden Agenten an Amnesie: Sie können sich frühere Interaktionen nicht mehr erinnern und werden im praktischen Einsatz unzuverlässig. Der Speicher ermöglicht Kontinuität, Personalisierung, das Abrufen von Wissen sowie Widerstandsfähigkeit der Arbeitsabläufe. Agenten können Aufgaben fortsetzen, sich an Ziele und Einschränkungen erinnern und im Laufe der Zeit bessere Entscheidungen treffen. Für langfristige Aufgaben ist der Speicher unerlässlich, um konsistente und nützliche Ergebnisse zu erzielen.
Warum Oracle
Oracle integriert den Agentenspeicher direkt in die Datenbank selbst. Oracle AI Agent Memory nutzt den konvergierten Stack (Vektor-, relationale, JSON- und Graphdaten), sodass verschiedene Speichertypen sowie Abrufstrategien auf einer Plattform genutzt werden können. Der Speicher befindet sich neben den Unternehmensdaten, was zur Verbesserung der Sicherheit, Steuerung und Skalierbarkeit beiträgt und eine Verbreitung spezieller Speicherlösungen vermeidet. Die Autonomous Database bietet Selbstverwaltung, Patching sowie Automatisches Skalieren für Teams, die Stabilität ohne ständige Überwachung der Datenbank wünschen.
Erstellung eines Engagement-Trackers
Arbeit, die direkt mit Kunden zu tun hat, bedeutet oft, mit vielen Aufgaben gleichzeitig umzugehen. Der Wechsel zwischen verschiedenen Aufgaben ist aufwendig, und Notizen gehen leicht verloren. Das hier gezeigte Beispiel verwendet LangChain zusammen mit Oracle Agent Memory für RAG, Gesprächsverfolgung sowie episodisches Gedächtnis in einem einzigen Datensystem.
Jede 26ai-Instanz funktioniert, einschließlich des kostenlosen Oracle Database-Containers. Oracle veröffentlichte eine lokale Einrichtungsanleitung unter der Dokumentation zu Agent Memory für Version 26.4.
ATP mit TLS
Eine für OLTP optimierte Instanz des Autonomous Transaction Processing eignet sich gut. TLS in Kombination mit einer ACL beschränkt den Zugriff auf vertrauenswürdige Orte. TLS anstelle von mTLS bedeutet, dass Clients keine Wallet-Dateien benötigen. Das Entwicklerbild senkt die Kosten und Größe bei Prototypen.
Projekt und Abhängigkeiten
Erstellen Sie ein venv und installieren Sie:
python3 -m venv .venv
source .venv/bin/activate
pip install langchain-oci
pip install oracleagentmemory
OCI-Konfiguration
OCI Generative AI stellt Embeddings und Sprachmodelle auf Anfrage bereit. Ein lokaler Desktop benötigt ein Profil unter ~/.oci/config. Siehe die OCI SDK-Einrichtungsdokumentation.
Verbindbarkeitsprüfungen
Die Registerkarte „Datenbankverbindung“ in der OCI-Konsole zeigt, wie man über TLS einen Python oracledb-Pool erstellt. Danach kann ein kurzer Script den Oracle Agent Memory testen:
''' Script to test access to Oracle Agent Memory '''
# load dependenies
from oracleagentmemory.apis.searchscope import SearchScope
from oracleagentmemory.core import OracleAgentMemory
from oracleagentmemory.core.dbschemapolicy import SchemaPolicy
from oracleagentmemory.core.embedders.embedder import Embedder
from oracleagentmemory.core.llms.llm import Llm
import oracledb
from pathlib import Path
from oci.config import from_file
# create connection object
def return_connection():
try:
pool = oracledb.create_pool(
user=DB_USER,
password=DB_PASSWORD,
dsn=CONNECT_STRING,
)
return pool
except Exception as e:
raise(e)
connection = return_connection()
print('database connection made')
# set OCI config parameters
config = from_file('~/.oci/config')
oci_key_file = str(Path(config['key_file']).expanduser())
compartment_id = config['compartment_id']
# set embedding model
oci_embedder = Embedder(model="oci/cohere.embed-english-v3.0",
oci_compartment_id=config['compartment_id'],
oci_region=config['region'],
oci_user=config['user'],
oci_fingerprint=config['fingerprint'],
oci_tenancy=config['tenancy'],
oci_key_file=oci_key_file)
# set language model
oci_llm = Llm(model="oci/openai.gpt-oss-120b",
oci_compartment_id=config['compartment_id'],
oci_region=config['region'],
oci_user=config['user'],
oci_fingerprint=config['fingerprint'],
oci_tenancy=config['tenancy'],
oci_key_file=oci_key_file)
try:
memory = OracleAgentMemory(connection=connection,
embedder=oci_embedder,
llm=oci_llm,
schema_policy=SchemaPolicy.CREATE_IF_NECESSARY,
table_name_prefix="OAM_")
print("successfully connected to agent memory")
except Exception as e:
raise(e)
Standardmäßig erwartet das SDK das Vorhandensein von Agent-Memory-Schemata. Bei der ersten Einrichtung sollte es dem Speicher erlaubt werden, seine Objekte zu erstellen (SchemaPolicy.CREATE_IF_NECESSARY im Beispiel). Der Datenbankbenutzer benötigt Berechtigungen, um Tabellen und Vektorindizes anzulegen. Nach der Erstellung der Schemata kann eine strengere Richtlinie angewendet werden.
LangChain-Agent und UI
Der Agent folgt der bekannten LangChain-Struktur: Hilfstools, ein LLM, ein Systemprompt sowie die Verknüpfung zu einem einzigen Agenten. Eine Streamlit-UI dient als Oberfläche, über die Notizen interaktiv hinzugefügt, aktualisiert oder gelöscht werden können.
Verhaltensweisen, die korrigiert werden mussten
Die frühen Versionen waren zu flexibel: Der Agent aktualisierte das Gedächtnis vor dem Beantworten, was Halluzinationen verstärkte. Durch eine strengere Abfolge der Abläufe verbesserte sich die Situation. Die Benutzeroberfläche kann Dateien oder Markdown in Kategorien wie Projekte, interne Inhalte oder Plattformen einordnen. Ein manueller Suchweg ermöglicht die Suche nach Erinnerungen mithilfe natürlicher Sprache, Kategorie oder Datum, ohne stets den Agenten zu rufen. Der Chat durchsucht die Wissensdatenbank über den Agenten. Überholte Erinnerungen können nacheinander gelöscht werden.
REST-Endpunkte und eine Cline-Fähigkeit
Die FastAPI-Endpunkte unterstützen eine programmierte Nutzung:
- GET
/health - POST
/memories - GET
/memories - GET
/search - POST
/memories/delete
Diese Endpunkte werden auch von einer Cline-Fähigkeit genutzt, sodass Erinnerungen direkt aus einer Aufgabe in VS Code aktualisiert werden können.
Desktop-Wrapper
Um eine weitere Browserleiste zu vermeiden, startet ein kleiner pywebview-Launcher Streamlit auf localhost, wartet, bis es antwortet, und öffnet anschließend ein natives Fenster. Streamlit startet FastAPI als Hintergrundprozess, sodass die Gesamtheit wie eine einzige lokale Anwendung erscheint:
from pathlib import Path
import subprocess
import time
import urllib.request
import webview
PROJECT_DIR = Path("/path/to/your/project")
URL = "http://127.0.0.1:8501"
streamlit = subprocess.Popen(
[
str(PROJECT_DIR / ".venv/bin/streamlit"),
"run",
"app.py",
"--server.address=127.0.0.1",
"--server.port=8501",
"--server.headless=true",
],
cwd=PROJECT_DIR,
)
try:
start = time.time()
while time.time() - start < 30:
try:
with urllib.request.urlopen(URL, timeout=1):
break
except Exception:
time.sleep(0.5)
webview.create_window("HiveMind AI", URL, width=1200, height=850)
webview.start()
finally:
streamlit.terminate()
Paket mit PyInstaller:
cd /path/to/your/project
source .venv/bin/activate
pip install pywebview pyinstaller
pyinstaller --windowed \
--name "HiveMind AI" \
--icon assets/hivemind_ai_icon.icns \
hivemind_desktop.py
Das ergibt dist/HiveMind AI.app, das in /Applications platziert werden kann und über Spotlight gestartet werden kann.
Entwurfsentscheidungen, die die Echtheit der Demo gewährleisteten
Drei Entscheidungen sorgten dafür, dass das Beispiel nutzbar statt nur auffällig war.
Zunächst werden Speicherzugriffe kontrolliert. Der Agent sollte zunächst aus dem antworten, was er bereits weiß, bevor er neue Informationen erfindet. Wenn das Modell zuerst schreibt und anschließend spricht, entstehen selbstbewusster Unsinn, der später die Ergebnisse verfälscht. Durch das Hinterlegen der Schreibfunktionen hinter klareren Anfragen oder expliziten Benutzeraktionen in der Benutzeroberfläche wurde dieser Teufelskreis unterbrochen.
Zweitens benötigt die Suche nicht immer ein Modell. Schlüsselwort- oder Vektorabfragen nach Kategorien und Datumsangaben reichen aus, um beispielsweise „die Notizen von AlloyDB aus der letzten Woche zu finden“. Das Speichern des LLM für Synthesezwecke senkt Kosten und Latenz und erleichtert die Fehlerbehebung.
Drittens ist die Desktop-Verpackung für persönliche Tools wichtig. Wenn das Öffnen der Notiz-App bedeutet, erst nach einem Terminal und einer Browser-Taste suchen zu müssen, scheitert das Tool an den damit verbundenen Hürden. Ein Launcher, der Dienste startet und ein Fenster öffnet, verwandelt denselben Ablauf in etwas, worauf man tatsächlich zweimal am Tag klickt.
Was das nicht ist
Es wird damit nicht behauptet, dass Oracle der einzige Ort für Agenten-Speicher ist. Vektordatenbanken, spezielle Speicherprodukte sowie dateibasierte Speicherlösungen haben alle ihre Aufgaben. Der Sinn des Beispiels ist, dass, wenn der Rest der Unternehmensdaten bereits in Oracle gespeichert ist, der Speicher für Agenten daneben zu platzieren die Verwaltung vereinfacht: eine einzige IAM-Strategie, ein einziger Backup-Prozess, eine einzige Prüfungsreihe. Teams, die bereits auf Autonomous Database setzen, können Speicher hinzufügen, ohne eine zweite Plattform entwickeln zu müssen.
Es handelt sich auch nicht um ein für die Produktion optimiertes, mehrfach genutztes SaaS-Produkt. Die Demo setzt voraus, dass es sich um einen einzelnen vertrauenswürdigen Benutzer oder ein kleines Team handelt, sowie um TLS, ATP und OCI-Zertifikate auf dem Laptop des Entwicklers. In der Produktion wären stärkere Trennung der Nutzerkonten, eine bessere Verwaltung sensibler Daten sowie Überwachung jeder Speicherung in Erinnerungsspeichern erforderlich.
Zusammenfassende Anmerkungen
Der Speicher ist für Agenten wichtig, die mehrere Sitzungen durchlaufen. Oracles einheitliches Agent Memory SDK kann neben Unternehmensdaten als mehrmodaler Speicher dienen. Das Beispiel verbindet Autonomous Transaction Processing mit OCI Generative AI, fügt eine Streamlit-Oberfläche, eine REST-Schnittstelle sowie eine Desktop-Umgebung für das tägliche Notieren hinzu.