Tartós memóriát kapnak a Databricks ügynökei

A memória nélküli ügynökök újra elvégzik ugyanazt a munkát

A Databricks szerint az állapot nélküli ügynökök két komoly problémával szembesülnek, amikor a bemutatókból rendszeres használatra váltanak. Újra és újra le kell vezetniük például, hogy melyik táblában találhatók a használati adatok, mit jelent egy belső rövidítés, vagy melyik összekapcsolás működik ténylegesen.

A Databricks kutatásának egyik valós munkamenetében egy ügynök 11 eszközhívást és 8 alügynököt használt, majd csaknem hat perc alatt válaszolt egy termék legfontosabb ügyfeleiről szóló kérdésre. Memória nélkül másnap ugyanezt a folyamatot ismét elvégezte volna.

A felhasználói preferenciák és javítások is elvesznek a munkamenet végén. Ilyenkor a felhasználónak újra el kell mondania, hogyan definiálja a csapata valamelyik mutatót, vagy az ügynök ismét elkövetheti ugyanazt a hibát.

A teljes előzmény minden kérdéshez történő betöltése hosszú beszélgetéseknél költséges. A Databricks által idézett nyílt forrású memória-benchmarkokban a teljes kontextus egy kérdéshez körülbelül 12-szer több bemeneti tokent használt, mint a megfelelően kialakított memória azonos pontosság mellett. A leghosszabb előzményeknél a teljes kontextus rosszabbul is teljesített, mert a lényegtelen üzenetek összezavarták az ügynököt.

Háromféle hozzáférés a MemCurrent architektúrában

Az Agent Memory a Databricks Research által kidolgozott MemCurrent architektúrára épül. A megoldás három hozzáférési mintát kapcsol össze: bővítményeket, amelyek automatikusan naplózzák és betöltik a kontextust, eszközöket, amelyeket az ügynök szükség esetén hív meg, valamint egy háttérben futó, memória-összesítő folyamatot.

A rendszer egyik része a kezelt munkamenet. Ez az egyes beszélgetéseket az üzenetek, eszközhívások és eredmények rendezett előzményeként tárolja, a fejlesztői keretrendszer natív formátumában. A kezelt memória a tartósan fontos információkat őrzi, például a felhasználói profilt, a preferenciákat, a szakterületi tudást és a munkafolyamatokat.

A munkamenet elején az ügynök betölti a memóriában ismert információk indexét. A beszélgetés közben hibrid, kulcsszóalapú és szemantikus kereséssel találja meg a szükséges részleteket. A memóriafolyamat a munkamenetekből háttérben, igény szerint vagy rendszeres időközönként tartós tényeket és preferenciákat állít elő, eltávolítja a duplikátumokat, és lecseréli az újabb beszélgetések által megcáfolt tényeket.

Minden adat a Lakebase-en, a Databricks szerver nélküli PostgreSQL-rendszerén fut. A szolgáltatást a Databricks az ügyfél munkaterületén biztosítja és üzemelteti. A vállalat szerint ez gyors tárolást és lekérést tesz lehetővé, miközben a tárhely az ügynökforgalommal együtt skálázható.

A belső mérések szerint több feladat sikerül kevesebb tokenből

A Databricks belső benchmarkjai szerint a memóriaarchitektúra alkalmazása háromszorosára növelte az ügynökök feladatteljesítési arányát vállalati feladatokon, miközben 31 százalékkal kevesebb tokent használtak. A vállalat kutatása alapján a memóriával működő ügynökök több feladatot teljesítettek, gyorsabban végeztek, és kevesebb tokent fogyasztottak, mint a memória nélküliek.

A korábbi példában a munkafolyamat memóriába mentése után egy kapcsolódó kérdés megválaszolásához már 2 eszközhívás és 41 másodperc kellett, szemben a korábbi 11 eszközhívással és csaknem hat perccel.

A Databricks szerint a megoldás a munkamenetek között is megőrzi a felhasználói preferenciákat, a javításokat és a csapatspecifikus definíciókat. A fejlesztők elolvashatják, exportálhatják és törölhetik az ügynök által az egyes felhasználókról tárolt bejegyzéseket. A memóriafolyamat arra is utasítható, hogy mit őrizzen meg, például a tartós ügyfélpreferenciákat, és mit hagyjon figyelmen kívül, például az egyszeri hibakeresési jegyzeteket.

Az Agent Bricks részeként érhető el

Az Agent Memory az Agent Bricks többi eleméhez csatlakozik. A platform ügynöktárhelyet, Databricks Sandbox környezetet, Unity Gateway szolgáltatást, előre elkészített MCP-szervereket, valamint nyomkövetési és értékelési funkciókat kínál. A Databricks szerint ezek együtt az éles környezetben futó ügynökök fejlesztéséhez szükséges infrastruktúrát biztosítják.

A funkció 2026. október 20-án bétaverzióban vált elérhetővé. A vállalat közlése szerint az induláshoz nincs szükség új infrastruktúra kialakítására. Az Agent Bricks CLI memóriával és munkamenetekkel rendelkező ügynök telepítésében segít, a fejlesztők pedig új ügynök létrehozásához vagy meglévő ügynök bővítéséhez használhatják a Databricks útmutatóit.

Az Agent Memory ugyanazt az infrastruktúrát használja, amely a Databricks természetes nyelvű üzleti felületén, a Genie-ben is biztosítja a memóriát. A fejlesztők így egy olyan rendszert kapnak, amely a Databricks szerint csökkentheti az ismételt munkát és a tokenhasználatot, miközben a felhasználók beállításai és a korábbi javítások a későbbi munkamenetekben is elérhetők maradnak.