Databricks推出Agent Bricks代理记忆

今天，我们在 Databricks 的智能体开发者平台 Agent Bricks 上推出智能体记忆。智能体记忆通过存储智能体应当记住的关键事实、偏好和工作流，在提升智能体质量的同时降低成本和延迟。它今天以 Beta 版提供，运行在 Lakebase 上以实现高可靠性和低延迟，并基于 Databricks 最新的记忆研究构建。

没有记忆，智能体就有重新发现关键事实、遗忘用户偏好以及重复犯已被纠正过的错误的风险。为此，许多开发者正在自行搭建记忆解决方案，但会遇到大量设计问题——例如，记忆应当存储在哪里？记忆应当如何被综合？以及一旦生成，记忆应当如何被检索？

为解决这一问题，Databricks Agent Memory 构建在 MemCurrent 架构之上，该架构由 Databricks Research 首创。MemCurrent 结合了三种访问模式：自动记录和加载上下文的插件、智能体按需调用的工具，以及在后台整合记忆的离线 dreaming 流水线。所有这些都通过 Lakebase 以极低延迟提供服务。在我们的内部基准测试中，实现这一记忆架构使智能体在真实企业任务上的通过率提升至三倍，同时使用的 token 减少了 31%。

Agent Memory 与其他 Agent Bricks 组件一同提供，包括智能体托管、Databricks Sandbox、Unity Gateway、预构建的 MCP 服务器以及追踪与评估，为开发者提供构建生产级智能体所需的全部基础设施能力。

问题：无状态智能体为同一上下文付费两次

一旦智能体从演示走向日常使用，两个问题就会立即显现。

• 成本随着每一次重新发现而攀升。 无状态智能体会重新推导它昨天已经弄明白的东西：哪张表存放使用数据、某个内部缩写是什么意思、哪个连接实际上有效。在我们研究中的一个真实会话里，一个智能体为了回答关于某个产品最大客户的问题，进行了 11 次工具调用、使用了 8 个子智能体，耗时近六分钟。到了第二天，它本会再把这一切重做一遍。
• 智能体永远无法个性化。 用户陈述了一项偏好、纠正了一个错误，或解释了其团队如何定义一个指标，而智能体在会话结束时就忘记了。要么用户重复自己，要么智能体重复错误。

智能体开发者以及运行其智能体的平台团队有两种常见的变通做法。每一种都是用一个问题换取另一个问题：

• 将完整历史重放进上下文 在历史变长之前是可行的。在开源记忆基准测试中，在相同准确率下，完整上下文每个问题使用的输入 token 约为设计良好的记忆的 12 倍，而在最长的历史上，它的得分 更差，因为无关的轮次让智能体感到困惑。
• 自行构建记忆 在对象存储或向量数据库上意味着要自行负责提取、去重、检索和访问控制。记忆会变得过时，相互矛盾的事实会不断堆积，而且没有人能判断是哪个记忆导致了糟糕的回答。

团队需要的是能同时让智能体更便宜、更个性化的记忆，而无需为此再搭建另一套系统。

Databricks 上的 Agent Memory 如何工作

图 1. Agent Bricks 上的 Agent Memory。智能体将每一轮追加到托管会话，直接召回并保存记忆，而记忆流水线在后台将会话提炼为长期记忆。

Agent Memory 包含三个部分：

• 托管会话 以你所用框架的原生格式，将每次对话记录为消息、工具调用和结果的有序历史。
• 托管记忆 保留值得记住的内容：个人资料、偏好、领域知识和工作流。在会话开始时，智能体加载记忆中已知内容的索引。在会话期间，它通过混合关键词和语义搜索找到细节。
• 记忆流水线 在后台、按需或定期地将会话提炼为记忆。它们提取持久的事实和偏好、去除重复项，并替换被更新对话所否定的事实。

一切都运行在 Lakebase 上，这是 Databricks 的无服务器 Postgres，在你的工作区中预置并由 Databricks 运营。这确保记忆的存储和检索快如闪电，并且你的存储能够随智能体流量一同扩展。

基于我们的记忆研究构建

Agent Memory 是 MemCurrent 的生产实现，这一记忆系统在 MemCurrent：为企业智能体设计记忆 中有所描述。我们的研究人员的核心发现是，记忆最好分两层运作：一份关于所发生事情的原始记录，以及一份关于值得记住内容的提炼记录，后者由后台流程保持最新，而非由智能体在任务中途临时写入。

以这种方式构建，记忆同时提升了质量和效率。与没有记忆的智能体相比，智能体通过的任务数量约为其三倍，完成速度更快，并且使用的 token 更少。同一套基础设施已经为 Genie 中的记忆提供支持，Genie 是 Databricks 面向业务用户的自然语言体验。

图 2. 在 Databricks 内部企业数据任务记忆基准测试中，有记忆和无记忆的智能体对比。来源：MemCurrent 研究。

你的智能体会发生哪些变化

• 每个任务成本更低。 智能体会跳过已经做过的工作。在上面的例子中，一旦工作流被保存到记忆，智能体在 2 次工具调用和 41 秒内回答了一个相关的后续问题，相比之前的 11 次工具调用和近六分钟大幅减少。
• 持久化的个性化。 偏好、纠正和团队特定定义会跨会话保留，并按每个用户划定范围，因此人们不再需要重复自己。
• 错误会持续得到修正。 智能体会记住自己的错误，并能避免重犯同样的错误——节省宝贵的时间和 token。
• 你拥有并控制的记忆。会话和记忆位于你的 Lakebase 项目中，独立于任何单一智能体框架。开发者可以读取、导出和删除智能体为每个用户保留的条目，并向记忆管道发出指令来引导其保留的内容，例如“保留持久的客户偏好；忽略一次性的调试笔记”。
• 一个平台覆盖整个循环。同一个智能体通过 Unity Gateway 使用模型，使用 Agent Bricks CLI 进行部署，并通过 Agent Bricks 的追踪功能进行追踪和评估，其中包含记忆。

开始使用

这一切都不需要你这边新建基础设施。Agent Bricks CLI 可以帮助你在几分钟内部署一个带有记忆和会话的智能体。

从那时起，你的智能体与每个用户的下一次对话都将从它从之前对话中学到的内容开始。更多信息，请参阅 快速入门以创建一个带有记忆的新智能体，或参阅我们的 教程为现有智能体添加记忆。

Agent Memory 是 Agent Bricks 的一部分，Agent Bricks 是 Databricks 的智能体开发者平台，用于大规模构建、运行和改进自定义智能体，支持任何模型、框架或运行环境。 探索 Agent Bricks以了解该平台的其余部分。

更多资源

• 在 10 分钟内构建一个有状态智能体，使用 Agent Bricks CLI 文档。
• 为现有智能体添加记忆和会话，使用 智能体记忆和会话文档。
• 阅读研究，其背后的内容见 MemCurrent: Designing Memory for Enterprise Agents。