Explorar Oracle Agent Memory para agentes de IA con estado.
Memoria del agente Oracle con LangChain y ATP para agentes de IA con estado: RAG, notas episódicas, un wrapper de escritorio de Streamlit y conectores REST para habilidades de agente en IDE.
Fuentes: Exploring Oracle Agent Memory
A medida que los agentes de IA pasan de ser simples herramientas de chat a sistemas que abarcan múltiples sesiones, la memoria se convierte en una necesidad fundamental. Oracle Agent Memory extiende Oracle Database con una capa de memoria persistente que permite a los agentes mantener el contexto, aprender de interacciones anteriores y mejorar con el tiempo. Las herramientas sin estado se transforman en sistemas con estado capaces de llevar a cabo tareas prolongadas y de múltiples pasos de manera continua.
Qué significa la memoria de los agentes
La memoria de los agentes es un almacenamiento persistente que les permite guardar, recuperar y actualizar información a lo largo de sesiones y flujos de trabajo. Es más que RAG: abarca tanto el contexto a corto plazo (la conversación actual) como el material a largo plazo (preferencias, resultados históricos, conocimientos adquiridos). Gracias a ella, los agentes mantienen su estado y se adaptan a partir de su experiencia, en lugar de empezar de cero cada vez.
Sin memoria, los agentes padecen amnesia: no pueden recordar interacciones anteriores y se vuelven poco fiables en el uso real. La memoria permite la continuidad, la personalización, la recuperación de conocimientos y la resiliencia en los flujos de trabajo. Los agentes pueden reanudar tareas, recordar objetivos y restricciones y mejorar sus decisiones con el tiempo. Para trabajos a largo plazo, la memoria es esencial para obtener resultados consistentes y útiles.
Por qué Oracle
Oracle integra la memoria de los agentes directamente en la base de datos. Oracle AI Agent Memory utiliza la pila convergente (vectorial, relacional, JSON y gráfico) para que varios tipos de memoria y estrategias de recuperación compartan una misma plataforma. La memoria se encuentra junto a los datos empresariales, lo que ayuda con la seguridad, la gobernanza y la escalabilidad, y evita la dispersión de almacenamientos especializados. Autonomous Database añade autogestión, aplicación de parches y escalado automático para equipos que buscan estabilidad sin necesidad de supervisar constantemente la base de datos.
Creación de un rastreador de interacciones
El trabajo orientado al cliente suele implicar gestionar numerosas interacciones. Cambiar de contexto es costoso y las notas se pierden fácilmente. La muestra aquí utiliza LangChain con Oracle Agent Memory para RAG, seguimiento de conversaciones y memoria episódica en un único sistema de registro.
Cualquier instancia de 26ai funciona, incluido el contenedor gratuito de Oracle Database. Oracle publica una guía de configuración local en la documentación de Agent Memory para la versión 26.4.
ATP con TLS
Una instancia de Procesamiento Autónomo de Transacciones, ajustada para OLTP, es una opción adecuada. TLS junto con una ACL limita el acceso a ubicaciones de confianza. Usar TLS en lugar de mTLS implica que los clientes no necesitan un archivo de billetera. La imagen de desarrollador reduce costos y tamaño para prototipos.
Proyecto y dependencias
Cree un venv e instale:
python3 -m venv .venv
source .venv/bin/activate
pip install langchain-oci
pip install oracleagentmemory
Configuración de OCI
OCI Generative AI proporciona embeddings y modelos de lenguaje bajo demanda. Una computadora de escritorio local necesita un perfil en ~/.oci/config. Consulte la documentación de configuración del SDK de OCI.
Verificaciones de conectividad
La pestaña Conexión a la base de datos en la consola de OCI muestra cómo crear un pool Python oracledb a través de TLS. Después de eso, un script breve puede probar la memoria del Oracle Agent:
''' 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)
Por defecto, el SDK espera que existan esquemas de Memoria del Agente. Durante la primera configuración, permita que el almacén de memoria cree sus objetos (SchemaPolicy.CREATE_IF_NECESSARY en el ejemplo). El usuario de la base de datos necesita privilegios para crear tablas e índices vectoriales. Después de la creación del esquema, se puede volver a aplicar una política más estricta.
Agente y UI de LangChain
El agente sigue una estructura familiar de LangChain: herramientas útiles, un LLM, un prompt del sistema y todo conectado en un único agente. Existe una UI de Streamlit que permite agregar, actualizar o eliminar notas de forma interactiva.
Comportamientos que necesitaban corrección
Las versiones iniciales eran demasiado flexibles: el agente actualizaba la memoria antes de responder, lo que reforzaba las alucinaciones. Ajustar ese orden ayudó. La interfaz de usuario puede incorporar archivos o texto en formato Markdown en categorías específicas (proyectos, internos, plataforma). Un camino de búsqueda manual permite encontrar memorias mediante lenguaje natural, categoría o fecha, sin tener que recurrir siempre al agente. El chat busca en la base de conocimientos a través del agente. Las memorias obsoletas pueden eliminarse una por una.
Endpoints REST y una habilidad Cline
Los endpoints de FastAPI permiten un uso programático:
- GET
/health - POST
/memories - GET
/memories - GET
/search - POST
/memories/delete
Esos endpoints también sirven para una habilidad Cline, de modo que las memorias pueden actualizarse desde una tarea dentro de VS Code.
Envoltorio para escritorio
Para evitar abrir otra pestaña del navegador, un pequeño lanzador de pywebview inicia Streamlit en el localhost, espera a que responda y luego abre una ventana nativa. Streamlit ejecuta FastAPI como un subproceso en segundo plano para que todo parezca una sola aplicación local:
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()
Paquete con 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
Eso da como resultado dist/HiveMind AI.app, el cual puede encontrarse en /Applications y ejecutarse desde Spotlight.
Decisiones de diseño que mantuvieron la demostración fiel a la realidad
Tres decisiones hicieron que la muestra fuera útil en lugar de simplemente llamativa.
Primero, las escrituras en la memoria están controladas. El agente debe responder con lo que ya sabe antes de inventar una nueva memoria. Permitir que el modelo escriba antes de hablar generaba tonterías convincentes que luego contaminaban las búsquedas posteriores. Al colocar las herramientas de escritura detrás de instrucciones más claras o detrás de acciones explícitas del usuario en la interfaz, se detuvo ese ciclo.
Segundo, la búsqueda no siempre necesita un modelo. Una búsqueda por palabras clave o vectores entre categorías y fechas es suficiente para solicitudes como “encontrar las notas de AlloyDB de la semana pasada”. Guardar el LLM para tareas de síntesis reduce costos y latencia, y facilita la depuración de errores.
En tercer lugar, el empaquetado para escritorio es importante para las herramientas personales. Si para abrir la aplicación de notas hay que buscar un terminal y una pestaña del navegador, la herramienta fracasa debido a las complicaciones. Un lanzador que inicia los servicios y abre una ventana convierte esa misma secuencia en algo que realmente se usa dos veces al día.
Qué no es esto
Esto no significa que Oracle sea el único lugar donde colocar la memoria del agente. Las bases de datos vectoriales, los productos de memoria dedicada y los almacenes basados en archivos también tienen su función. El objetivo del ejemplo es mostrar que, si el resto de los datos empresariales ya se encuentran en Oracle, colocar la memoria del agente junto a ellos simplifica la gestión: una única estrategia de IAM, un único proceso de respaldo y un único registro de auditoría. Los equipos que ya han estandarizado su uso en Autonomous Database pueden añadir memoria sin necesidad de crear una segunda plataforma.
Tampoco se trata de un SaaS multiinquilino preparado para entornos de producción. La demostración asume la existencia de un único usuario de confianza o un equipo pequeño, con TLS, credenciales ATP y OCI en una computadora portátil del desarrollador. En entornos de producción se implementaría una mayor isolación entre inquilinos, un sistema de gestión de secretos y capacidades de observabilidad para cada escritura en memoria.
Notas finales
La memoria es importante para los agentes que abarcan varias sesiones. El SDK unificado de memoria de Oracle para agentes puede funcionar como un almacén multimodal junto con los datos empresariales. La muestra vincula el Procesamiento Automático de Transacciones con la IA generativa de OCI, añadiendo una interfaz de usuario Streamlit, una capa REST y una aplicación de escritorio para tomar notas cotidianamente.