“`html
Adicionar Memória ao Seu Agente com LangGraph
Estamos construindo um agente inteligente que lembra do contexto — não apenas da sua última interação, mas melhora seu fluxo de trabalho ao rastrear detalhes essenciais. Quando você aprende como langgraph adicionar memória ao seu agente, tudo se torna mais fluido e seu agente começa a fazer mais sentido em um processo de múltiplas etapas. Esquecer detalhes é um problema sério nas aplicações de IA, e com LangGraph, gerenciar a memória pode redefinir suas interações.
Pré-requisitos
- Python 3.11+
- pip install langgraph>=0.2.0
- Acesso à Internet para a instalação dos pacotes e exemplos futuros
Passo 1: Configurar Seu Ambiente
Primeiro, você precisará configurar o ambiente onde seu agente LangGraph residirá. Isso significa instalar os pacotes necessários e garantir que você tenha a versão suportada do Python.
# Atualize seu pip
pip install --upgrade pip
# Instale LangGraph
pip install langgraph>=0.2.0Execute esse comando no seu terminal. Se você encontrar problemas relacionados a dependências ausentes, certifique-se de ter a versão correta do Python instalada. Uma vez eu tentei usar uma versão de Python obsoleta, e foi um pesadelo.
Passo 2: Inicialização Básica do Agente
Com seu ambiente configurado, vamos começar a inicializar o agente. Este agente será nossa base sobre a qual adicionaremos memória. A configuração inicial é fundamental, então precisamos garantir que tudo esteja em ordem.
from langgraph import Agent
# Inicializa o agente
agent = Agent(name="MemoryAgent", context="Você pode lembrar das minhas preferências.")Esse código cria um agente com um contexto simples. Não é apenas qualquer contexto; trata-se de dizer ao seu agente o que ele deve lembrar. Se você não definir corretamente o contexto, o agente pode fazer perguntas redundantes.
Passo 3: Adicionar Capacidades de Memória
Agora vem a parte emocionante. Para adicionar memória ao seu agente, você deve usar componentes de memória específicos fornecidos pelo LangGraph. Isso permite que seu agente armazene informações e as acesse em sessões futuras.
from langgraph.memory import Memory
# Inicializa a Memória
memory = Memory(size=10) # rastreia as últimas 10 memórias
agent.set_memory(memory) # anexa a memória ao agenteAqui, configuramos nosso agente para lembrar das últimas dez interações. Se você escolher um tamanho muito pequeno e seu agente receber muitos inputs, ele pode começar a perder informações vitais, causando confusão. Portanto, ajuste conforme necessário!
Passo 4: Ensinar ao Agente a Lembrar Contextos Específicos
Ok, configuramos a memória básica, mas qual é o sentido se seu agente não sabe o que lembrar? Vamos garantir que nosso agente aprenda informações específicas das interações.
def remember_user_preference(user_id, preference):
agent.memory.add(f"{user_id}:{preference}") # salva as preferências do usuário
remember_user_preference("user123", "Prefere café pela manhã.")Dando-lhe explicitamente a instrução de lembrar preferências específicas dos usuários, ele pode personalizar a interação. Se você pular essa etapa, terá um agente brilhante, mas esquecedor, que constantemente precisa das mesmas informações.
Passo 5: Recuperar Memórias
Em seguida, vamos colocar essa memória à prova! Seu agente precisará recuperar memórias quando solicitado ou quando um contexto relevante surgir. Este é um ponto crucial porque os agentes devem ser interativos e reativos.
def retrieve_memory(user_id):
memories = agent.memory.retrieve(user_id) # recupera com base em user_id
return memories
print(retrieve_memory("user123"))Recuperar a memória permite uma experiência personalizada. Se a função retornar None, significa que o agente ainda não salvou nada. Se você configurou a memória sem salvar nada, adivinha só? Você criou um chatbot glorificado.
As Armadilhas
Aqui estão algumas armadilhas que podem atrapalhar sua implementação da memória com LangGraph. Aprendi isso da pior forma:
“““html
- Esquecer de Configurar o Contexto: Se o contexto não for configurado corretamente, seu agente não saberá o que lembrar.
- Limites de Tamanho da Memória: Se o tamanho da memória for muito baixo, informações importantes serão perdidas. Pense nisso como um colega de quarto péssimo que joga suas coisas fora toda vez que precisa de espaço.
- Clareza do Contexto: Quanto mais claro e específico for seu contexto, melhor será o desempenho do agente. Definições vagas levam a resultados vagos. É como dizer ao seu amigo que “você poderia” querer pizza esta semana.
- Recuperação da Memória: Se codificada de forma errada, a recuperação da memória pode causar erros ou mal-entendidos em que seu agente pode fazer afirmações falsas sobre o contexto lembrado.
- Desaceleração do Desempenho: Sobrecargar seu agente com muitos dados de memória pode fazê-lo desacelerar. É aquele amigo que, depois de um tempo, não consegue mais acompanhar os interesses de todos e começa a passar as anotações.
Exemplo de Código Completo
Aqui está o código completo executável que combina tudo que fizemos até agora:
from langgraph import Agent
from langgraph.memory import Memory
# Passo 1: Inicializa o Agente
agent = Agent(name="MemoryAgent", context="Você pode lembrar das minhas preferências.")
# Passo 2: Configura a Memória
memory = Memory(size=10)
agent.set_memory(memory)
# Passo 3: Função para lembrar a preferência do usuário
def remember_user_preference(user_id, preference):
agent.memory.add(f"{user_id}:{preference}")
# Passo 4: Função para recuperar a memória
def retrieve_memory(user_id):
memories = agent.memory.retrieve(user_id)
return memories
# Exemplo de Uso
remember_user_preference("user123", "Prefere café pela manhã.")
print(retrieve_memory("user123"))O Que Vem Depois?
Seu próximo passo deve se concentrar na integração dessa função de memória em uma aplicação mais ampla, como um chatbot de suporte ao cliente que adapta as respostas com base nas interações anteriores. Adicionar memória tornará seus agentes não apenas reativos, mas proativos!
FAQ
- 1. E se meu agente não conseguir lembrar de nada?
- Verifique suas funções de memória e tenha certeza de que não está pulando acidentalmente o método
agent.memory.add(). É um erro de novato que pode levar a frustrações! - 2. Como posso limpar a memória?
- Você pode redefinir a memória através de uma função claramente definida dentro do código do seu agente que exclui os dados de memória, dando-lhe um novo começo sempre que precisar.
- 3. Existe uma maneira de priorizar o que é lembrado?
- Atualmente, LangGraph não prioriza, portanto, requer que os desenvolvedores implementem regras sobre a importância da memória conforme as necessidades da aplicação.
Fontes de Dados
- Documentação oficial do LangGraph: Visão Geral da Memória do LangGraph
- Repositório GitHub do LangGraph: langchain-ai/langgraph
| Característica | Estrelas | Fork | Problemas Abertos | Licença | Última Atualização |
|---|---|---|---|---|---|
| LangGraph | 28.361 | 4.839 | 484 | MIT | 03 de Abril de 2026 |
Última atualização 04 de Abril de 2026. Dados provenientes de documentação oficial e benchmarks da comunidade.
“`
🕒 Published: