大数跨境

给 Agent 加长期记忆:30 行接上 Redis Iris

给 Agent 加长期记忆:30 行接上 Redis Iris Python程序员
2026-11-12
0
导读:Redis Iris 本周 GA,用约 30 行 Python 把对话记忆存进 Redis,让 Agent 跨会话记得住,附本地一键跑通步骤。

图片

你有没有这种体验:昨天跟 Agent 聊得好好的,今天一觉醒来它又问你"贵姓"?多轮对话卡到第 5 轮,上下文一满就被截断;上一个任务踩过的坑,下一个任务照样再踩一遍。

这不是你的 Prompt 写得差,是 Agent 天生"没有记忆"。本周(11 月 4 日)Redis 官方宣布 Redis Iris 正式 GA,里面专门有一块 Agent Memory,恰好能用极低成本把这件事解决掉。本文用约 30 行 Python,带你把对话/任务状态存进 Redis,让 Agent 跨会话"记得住"。


为什么 Agent 会失忆

原生 LLM 是无状态的,Agent 的记忆通常靠三样东西临时撑着,全都有硬伤:

  • 每次会话重置
    :进程一重启、服务一扩容,内存里的上下文全没了。
  • 多轮状态丢失
    :上下文窗口有限,聊到第 N 轮,前面的偏好、约定被默默挤掉。
  • 跨任务不复用
    :A 任务总结的经验,B 任务无从获取,Agent 永远在"重新认识世界"。

本质上,缺的不是模型能力,而是一块能持久化、能被语义检索、且归你所有的记忆存储。


Redis Iris 本周 GA

11 月 4 日 Redis 宣布 Redis Iris 进入 GA,定位是"AI Agent 的实时上下文引擎",一口气给了六项能力,其中四项已 GA:

  • Intent Router(GA)
    :按"意思"而不是"措辞"路由——把请求送到记忆里的 FAQ、Agent 技能、人工或 LLM,还支持模型/Agent 路由、护栏和"模糊 if"判断。
  • Agent Memory(GA)
    :本文主角,负责把记忆真正存下来。
  • Agent Playbooks(GA)
    :判断哪些回答可复用、哪些必须拿最新数据重跑。
  • Context Gateway(GA)
    :受治理的上下文统一入口,可自带 MCP Server。
  • Lens、Agent Mesh 目前还是 beta,生产别急着上。
划重点:Agent Memory 把"记忆"做成 向量 + 结构化存储 的一体方案,Agent 调用极简——你只管 remember 和 recall,向量化、索引、分层都由它管。

记忆是怎么存的

Agent Memory 的核心是 MemoryETL:它从用户行为、文档与半结构化数据里构建分层记忆,并且支持检查、审计与溯源;还能按要求主动遗忘 PII(比如用户的敏感个人信息)。

写入时,一条记忆同时落两样东西:

  1. 语义向量
    ——用于"按意思"召回,而不是关键词匹配;
  2. 结构化字段
    ——类别、来源、时间戳等,方便筛选与合规。

这就解释了它为什么能和 Intent Router 配合:路由时先去记忆里"想"一下,命中了就直接复用,省下重复调 LLM 的 token。


30 行最小实现

环境前提:本地起一个 redis-stack(见最后一节),装好 redis 客户端。下面这段核心代码不超过 30 行:

# 依赖:pip install redis   (Redis Iris GA SDK 的包名/版本待核实)
import redis
from iris import AgentMemory          # 导入方式以 GA 官方文档为准(待核实)

# 1) 连上本地 redis-stack
r = redis.Redis(host="localhost", port=6379, decode_responses=True)

# 2) 为某个 Agent 初始化记忆空间
mem = AgentMemory(client=r, agent_id="support-bot")   # 参数命名待核实

# 3) 写入记忆:自动向量化 + 结构化落库
mem.remember(
    text="用户偏好 TypeScript,讨厌冗长代码",
    category="user_profile",          # 字段名待核实
)

# 4) 多轮对话:先按语义召回相关记忆
hits = mem.recall(query="用户喜欢什么语言?", top_k=3)
context = "\n".join(h.text for h in hits)

# 5) 把记忆注入 prompt,再调你的 LLM
reply = llm.chat(f"[Agent 已知记忆]\n{context}\n\n用户:写个数组去重函数")
print(reply)                          # 跨会话依然"记得住"

要点就三行:remember 写、recall 读、同一个 agent_id 串起跨会话记忆。真实的 SDK 会替你做向量化与索引(上面标了「待核实」的地方,以上线文档为准),业务代码基本不变。


和 LangChain 对比

有人会问:LangChain 不是有托管的 Deep Agents 吗?区别在这四点上:

维度对比:Redis Iris(自托管) vs LangChain 托管 Deep Agents

数据所有权

Redis Iris:数据在你自己的 Redis,完全可控

LangChain:经过平台,需评估合规边界

成本

Redis Iris:按 Redis 实例/云用量,无每调用抽成

LangChain:托管叠加 token/调用计费

可控性

Redis Iris:组件化,可自由拼装路由与记忆

LangChain:开箱即用,定制受平台约束

落地复杂度

Redis Iris:需自己起 Redis 并集成

LangChain:门槛低,注册即用

一句话:想快上手、不在意数据出域,托管方案省心;要数据主权、控成本、可深度定制,Redis Iris 更合适。


本地一行跑通

不想装一堆依赖?一条 docker 命令起一个自带向量能力的 Redis:

docker run -d --name redis-stack -p 6379:6379 -p 8001:8001 redis/redis-stack:latest

验证一下:

redis-cli ping   # 返回 PONG 即就绪

打开 http://localhost:8001 还能看到 Redis Insight 可视化界面。然后把上面的 Python 文件跑起来——写入一次、重启进程再 recall,记忆还在,就说明 Agent 真的"长记性"了。

小贴士:生产环境记得给 Redis 配持久化(AOF/RDB)和访问鉴权,别让记忆裸奔。

Python程序员

有料有趣的技术公众号


美编二维码.jpg

扫码关注、一同进步



【声明】内容源于网络
0
0
Python程序员
1234
内容 2525
粉丝 0
Python程序员 1234
总阅读0
粉丝0
内容2.5k