Explorer la mémoire Oracle Agent pour les agents IA à état.
Mémoire de l’Oracle Agent avec LangChain et ATP pour des agents IA à état : RAG, notes épisodiques, un wrapper desktop Streamlit ainsi que des hooks REST pour les compétences d’agent dans les IDE.
Sources: Exploring Oracle Agent Memory
Alors que les agents d’IA évoluent des simples conversations vers des flux de travail s’étendant sur plusieurs sessions, la mémoire devient une nécessité primordiale. Oracle Agent Memory étend Oracle Database en y intégrant une couche de mémoire persistante, permettant ainsi aux agents de conserver le contexte, d’apprendre des interactions passées et d’évoluer avec le temps. Les outils sans état se transforment en systèmes à état capables de gérer des tâches longues et complexes de manière continue.
Que signifie la mémoire agente
La mémoire agente est un stockage persistant qui permet aux agents de stocker, de récupérer et de mettre à jour des informations au cours de différentes sessions et flux de travail. Elle va au-delà du RAG : elle couvre à la fois le contexte à court terme (la conversation en cours) et les données à long terme (préférences, résultats historiques, connaissances acquises). Grâce à elle, les agents conservent leur état et s’adaptent à leur expérience, plutôt que de devoir tout recommencer à zéro à chaque fois.
Sans mémoire, les agents souffrent d’amnésie : ils ne peuvent pas se remémorer les interactions précédentes et deviennent peu fiables dans un usage réel. La mémoire permet la continuité, la personnalisation, le rappel des connaissances et la résilience des flux de travail. Les agents peuvent reprendre leurs tâches, se souvenir des objectifs et des contraintes, et améliorer leurs décisions avec le temps. Pour des travaux à long terme, la mémoire est essentielle pour obtenir des résultats cohérents et utiles.
Pourquoi Oracle
Oracle intègre la mémoire des agents directement dans la base de données elle-même. Oracle AI Agent Memory utilise une pile convergente (vecteurs, relationnelle, JSON et graphes) afin que plusieurs types de mémoire et stratégies de récupération partagent une même plateforme. La mémoire est stockée aux côtés des données d’entreprise, ce qui facilite la sécurité, la gouvernance et l’échelle, tout en évitant une dispersion de systèmes spécialisés. Autonomous Database ajoute une fonction d’auto-gestion, de mise à jour et d’auto-échelle pour les équipes qui souhaitent de la stabilité sans avoir à gérer manuellement la base de données.
Création d’un suiveur d’engagements
Le travail axé sur les clients implique souvent de gérer de nombreux engagements en même temps. Le changement de contexte est coûteux, et les notes risquent facilement d’être perdues. L’exemple présenté ici utilise LangChain avec Oracle Agent Memory pour le RAG, le suivi des conversations et la mémoire épisodique au sein d’un même système de stockage.
Toute instance 26ai fonctionne, y compris le conteneur gratuit Oracle Database. Oracle publie un guide de configuration locale dans la documentation d’Agent Memory pour la version 26.4.
ATP avec TLS
Une instance d’Autonomous Transaction Processing, optimisée pour OLTP, convient parfaitement. TLS combiné à une ACL limite l’accès aux emplacements fiables. L’utilisation de TLS au lieu de mTLS signifie qu’aucun fichier de portefeuille n’est nécessaire pour les clients. L’image de développement permet de réduire les coûts et la taille pour les prototypes.
Projet et dépendances
Créez un venv et installez :
python3 -m venv .venv
source .venv/bin/activate
pip install langchain-oci
pip install oracleagentmemory
Configuration OCI
OCI Generative AI fournit des embeddings et des modèles de langage sur demande. Un poste de travail local nécessite un profil situé dans ~/.oci/config. Consultez la documentation de configuration du SDK OCI.
Vérifications de connectivité
La page « Connexion à la base de données » dans la console OCI indique comment créer un pool Python oracledb via TLS. Par la suite, un petit script peut tester la mémoire de l’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)
Par défaut, le SDK attend l’existence de schémas pour la mémoire de l’agent. Lors de la première configuration, autorisez le stockage de mémoire à créer ses objets (SchemaPolicy.CREATE_IF_NECESSARY dans l’exemple). L’utilisateur de la base de données doit disposer des privilèges nécessaires pour créer des tables et des index vectoriels. Une fois les schémas créés, une politique plus stricte peut être réactivée.
Agent LangChain et interface utilisateur
L’agent suit une structure familière de LangChain : des outils utilitaires, un LLM, un prompt système, ainsi que des connexions entre ces éléments pour former un seul agent. Une interface utilisateur Streamlit est disponible pour ajouter, mettre à jour ou supprimer des notes de manière interactive.
Comportements nécessitant des corrections
Les versions initiales étaient trop flexibles : l’agent mettait à jour la mémoire avant de répondre, ce qui renforçait les hallucinations. Rendre cet ordre plus strict a aidé. L’interface utilisateur peut intégrer des fichiers ou du Markdown dans des catégories (projets, internes, plateforme). Un chemin de recherche manuel permet de trouver des mémoires par langage naturel, catégorie ou date, sans avoir toujours recours à l’agent. Le chat recherche dans la base de connaissances via l’agent. Les mémoires obsolètes peuvent être supprimées une par une.
Points d’entrée REST et une compétence Cline
Les points d’entrée FastAPI permettent une utilisation programmée :
- GET
/health - POST
/memories - GET
/memories - GET
/search - POST
/memories/delete
Ces points d’entrée alimentent également une compétence Cline, permettant ainsi de mettre à jour les mémoires depuis une tâche au sein de VS Code.
Enveloppe desktop
Afin d’éviter d’ouvrir une nouvelle fenêtre du navigateur, un petit lanceur pywebview démarre Streamlit sur localhost, attend qu’il réponde, puis ouvre une fenêtre native. Streamlit lance FastAPI en tant que processus secondaire en arrière-plan, de sorte que l’ensemble ressemble à une seule application locale :
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 avec 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
Cela produit dist/HiveMind AI.app, qui peut être placé dans /Applications et lancé depuis Spotlight.
Choix de conception qui ont préservé l’honnêteté de la démo
Trois décisions ont permis à l’exemple d’être utilisable plutôt que simplement spectaculaire.
First, les écritures en mémoire sont contrôlées. L’agent doit répondre en s’appuyant sur ce qu’il connaît déjà avant d’inventer une nouvelle mémoire. Permettre au modèle d’écrire avant de parler génère des absurdités convaincantes qui finissent par contaminer les recherches ultérieures. En plaçant les outils d’écriture derrière des instructions plus claires ou derrière des actions explicites de l’utilisateur dans l’interface, ce cercle vicieux a été interrompu.
Second, la recherche n’a pas toujours besoin d’un modèle. Une recherche par mots-clés ou vectorielle sur des catégories et des dates suffit pour demander "trouver les notes d’AlloyDB de la semaine dernière". En réservant le LLM à la synthèse, on réduit les coûts et les délais, et les pannes deviennent plus faciles à diagnostiquer.
Troisièmement, l’emballage desktop est important pour les outils personnels. Si ouvrir l’application de notes signifie devoir chercher un terminal et une fenêtre de navigateur, l’outil échoue à cause des contraintes supplémentaires. Un lanceur capable de démarrer des services et d’ouvrir une fenêtre transforme cet ensemble en quelque chose que l’on utilise réellement deux fois par jour.
Ce que ce n’est pas
Ceci ne prétend pas que Oracle soit le seul endroit où placer la mémoire de l’agent. Les bases de données vectorielles, les produits de mémoire dédiés et les systèmes de stockage basés sur des fichiers ont tous leur rôle. L’idée avec cet exemple est que si le reste des données de l’entreprise se trouve déjà dans Oracle, placer la mémoire de l’agent à côté d’elles simplifie la gestion : une seule stratégie IAM, un seul processus de sauvegarde, un seul historique d’audit. Les équipes déjà standardisées sur Autonomous Database peuvent ajouter de la mémoire sans devoir inventer une deuxième plateforme.
Ce n’est pas non plus un SaaS multi-locataires optimisé pour la production. La démonstration suppose un seul utilisateur de confiance ou une petite équipe, ainsi que des certificats TLS, ATP et des identifiants OCI sur un ordinateur portable de développeur. En environnement de production, une isolation plus stricte entre les locataires, une gestion renforcée des secrets et une meilleure visibilité sur chaque écriture en mémoire seraient nécessaires.
Remarques finales
La mémoire est cruciale pour les agents qui s’étendent sur plusieurs sessions. Le SDK unifié Oracle Agent Memory SDK peut servir de stockage multimodal en complément des données d’entreprise. L’exemple associe le traitement transactif autonome à l’IA générative OCI, ajoute une interface utilisateur Streamlit, des interfaces REST et un wrapper desktop pour prendre des notes au quotidien.