Hallo, angehender Agent! Emma hier, zurück auf agent101.net, und heute werden wir etwas erkunden, das in meiner kleinen Entwicklungs-Ecke für Aufsehen sorgt: sicherstellen, dass dein AI-Agent *sich an Dinge erinnert*. Nicht nur für eine einmalige Interaktion, sondern über verschiedene Aufgaben hinweg, vielleicht sogar über mehrere Tage. Wenn du mit einem der neuen Agenten-Frameworks experimentiert hast, bist du wahrscheinlich auf die Wand gestoßen, an der dein Agent ein wenig wie Dory aus Findet Nemo wirkt – im Moment brillant, aber fünf Minuten später ein leeres Blatt. Frustrierend, oder?
Ich habe die letzten Wochen damit verbracht, mir die Haare zu raufen (und dann natürlich kleine Siege zu feiern), während ich versucht habe, einen Agenten aufzubauen, der als persönlicher Forschungsassistent fungieren kann. Mein Ziel war einfach: Gib ihm ein Thema, und er soll Informationen finden, sie zusammenfassen und dann vor allem *sich an das, was er gelernt hat, erinnern*, sodass, wenn ich eine Folgefrage stelle oder ihn einen verwandten Auftrag einen Tag später frage, er nicht von vorne anfangen muss. Es geht nicht nur um ein längeres Kontextfenster in deinem LLM; es geht darum, eine dauerhafte und dynamische Wissensbasis für deinen Agenten aufzubauen. Und glaub mir, das ist eine wesentliche Veränderung für alles, was über eine einzelne Anfrage hinausgeht.
Warum vergisst mein Agent alles? Ein häufiges Kopfschmerzenproblem
Warum ist das also ein so häufiges Problem für uns Anfänger? Nun, die meisten Tutorials über AI-Agenten konzentrieren sich auf die unmittelbare Schleife: wahrnehmen, überlegen, handeln. Und das ist großartig, um die Grundlagen zu verstehen! Aber was oft übersehen wird oder vielleicht nur gestreift wird, ist der Aspekt des „Gedächtnisses“ über den aktuellen Gesprächsverlauf hinaus. Dein großes Sprachmodell (LLM) hat selbst ein Kontextfenster – eine begrenzte Menge an Informationen, die es jederzeit „behalten“ kann. Sobald dieses Fenster voll ist oder die Konversation endet, puff! Ist es weg. Es ist, als hätte man einen brillanten Praktikanten, der alles vergisst, was er gelernt hat, sobald er die Tür verlässt.
Für meinen Forschungsassistenten stellte dies ein erhebliches Hindernis dar. Stell dir vor, ich bitte ihn, Nachforschungen über „die Geschichte der Neuronen-Netze“ anzustellen. Er geht, sucht Artikel, fasst sie zusammen. Super! Aber dann, eine Stunde später, frage ich: „Was waren einige der frühesten Anwendungen?“ Wenn er sich nicht an die vorherige Recherche erinnert, muss er von vorne anfangen, eventuell die gleichen Artikel noch einmal suchen. Un effizient, langsam und ehrlich gesagt, nicht sehr „agentenhaft“.
Die zwei Geschmäcker des Gedächtnisses: Kurzfristig vs. Langfristig
Bevor wir in die Lösungen eintauchen, lass uns schnell zwischen dem unterscheiden, was wir im Allgemeinen unter „Gedächtnis“ in AI-Agenten verstehen:
- Kurzzeitgedächtnis (Kontextfenster): Das ist, was dein LLM von Natur aus verwaltet. Es handelt sich um die aktuelle Konversation, unmittelbare Anreize und vorherige Dialogaustausche. Es ist temporär, begrenzt und wird zurückgesetzt. Denke daran wie an den RAM deines Agenten.
- Langzeitgedächtnis (Beständiges Wissen): Das ist es, wonach wir heute wirklich suchen. Es handelt sich um Informationen, die verbleiben, später abgerufen werden können und deinem Agenten helfen, im Laufe der Zeit ein kumulatives Verständnis aufzubauen. Es ist wie die Festplatte deines Agenten.
Es gelingt, deinen Agenten effektiv mit beiden umzugehen, wo die Magie passiert. Wir wollen, dass er im Moment intelligent ist *und* weise mit der gesammelten Erfahrung.
Mein Weg zu einem intelligenteren Agenten, der nicht vergisst
Mein erster Versuch, ein Langzeitgedächtnis hinzuzufügen, war, wie zu erwarten, etwas zusammengeflickt. Ich habe einfach den gesamten Gesprächsverlauf nach jeder Interaktion in einer Textdatei gespeichert und ihn dann wieder geladen. Das hat für einen sehr kurzen Moment funktioniert, erreichte aber schnell die Grenze des Kontextfensters des LLM. Außerdem war es unordentlich. Ich brauchte nicht, dass der Agent *jedes Wort* unserer vorherigen Diskussion speichert; ich wollte, dass er sich an die *wichtigen Erkenntnisse* und *Fakten*, die er gesammelt hat, erinnert.
Das führte mich in den Kaninchenbau von Vektordatenbanken und Embeddings. Wenn dir diese Begriffe einschüchternd vorkommen, mach dir keine Sorgen! Ich werde sie erklären. Die Hauptidee ist, die wichtigen Informationsstücke, die dein Agent lernt, in eine numerische Darstellung (ein „Embedding“) umzuwandeln und diese Embeddings dann in einer speziellen Datenbank (einer „Vektordatenbank“) zu speichern, die es super einfach macht, ähnliche Informationen später wiederzufinden. Es ist, als hätte man eine Bibliothek, in der alle Bücher nicht nur nach Titel, sondern auch nach ihrem tatsächlichen Inhalt indiziert sind, sodass du Bücher über die „frühen Anwendungen von Neuronen-Netzen“ finden kannst, selbst wenn du die genauen Titel nicht kennst.
Praktisches Beispiel: Speichern und Abrufen von Forschungsnotizen
Angenommen, mein Forschungsagent hat eine entscheidende Tatsache gefunden: „Der Perzeptron, ein frühes Modell eines Neuronen-Netzes, wurde 1957 von Frank Rosenblatt entwickelt.“ Anstatt dies nur im Chatverlauf zu behalten, möchte ich es als ein separates Wissensstück speichern.
Hier ist ein vereinfachtes Python-Beispiel mit einer beliebten Bibliothek wie LangChain (die ich für Agenten unglaublich nützlich fand) und einem einfachen in-memory Vektor-Speicher wie FAISS (für schnelles Prototyping, bevor wir auf etwas Beständigeres wie Chroma oder Pinecone umsteigen).
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import OpenAIEmbeddings # Oder ein anderes Embedding-Modell
from langchain_core.documents import Document
# 1. Unseren Embedding-Modell initialisieren (dies wandelt Text in Zahlen um)
embeddings_model = OpenAIEmbeddings() # Denk daran, deine Umgebungsvariable OPENAI_API_KEY zu setzen!
# 2. Einige "Wissens"-Dokumente erstellen
knowledge_pieces = [
"Der Perzeptron, ein frühes Modell eines Neuronen-Netzes, wurde 1957 von Frank Rosenblatt entwickelt.",
"Die frühen Neuronen-Netze waren hauptsächlich von der Struktur des menschlichen Gehirns inspiriert.",
"Der Algorithmus der Rückpropagation hat das Training von mehrschichtigen Perzeptrons in den 1980er Jahren erheblich vorangebracht.",
"Geoffrey Hinton wird oft zugeschrieben, das Deep Learning in den 2000er Jahren populär gemacht zu haben.",
]
# Umwandeln von Strings in Document-Objekte (die Standardmethode von LangChain, um Text zu verarbeiten)
docs = [Document(page_content=kp) for kp in knowledge_pieces]
# 3. Einen Vektorspeicher aus unseren Dokumenten erstellen
# Dies wird jedes Dokument einbetten und speichern
vector_store = FAISS.from_documents(docs, embeddings_model)
print("Wissen erfolgreich in der Vektordatenbank gespeichert!")
# 4. Jetzt stellen wir eine Frage an unser Gedächtnis
query = "Wer hat den Perzeptron entwickelt und wann?"
# Durchführung einer Ähnlichkeitssuche
# Dies findet Dokumente, deren Embeddings den Embeddings der Anfrage am nächsten sind
found_docs = vector_store.similarity_search(query, k=1) # k=1 bedeutet, das 1. ähnlichste Dokument abzurufen
print(f"\nAnfrage: '{query}'")
print(f"Aus dem Gedächtnis abgerufen: '{found_docs[0].page_content}'")
query_2 = "Was war ein wichtiger Fortschritt in den 1980er Jahren für Neuronen-Netze?"
found_docs_2 = vector_store.similarity_search(query_2, k=1)
print(f"\nAnfrage: '{query_2}'")
print(f"Aus dem Gedächtnis abgerufen: '{found_docs_2[0].page_content}'")
Was passiert hier? Wir nehmen rohen Text, wandeln ihn in einen numerischen Vektor (eine Liste von Zahlen, die seine Bedeutung repräsentiert) um und speichern ihn. Wenn wir eine neue Anfrage haben, wandeln wir *diese* Anfrage in einen Vektor um und suchen dann in unserer Datenbank nach den gespeicherten Vektoren, die im numerischen Raum „nah“ sind. Die „Nähe“ bedeutet in diesem Kontext normalerweise „semantische Ähnlichkeit“. Also, auch wenn meine Anfrage nicht die genauen Wörter verwendet, kann sie dennoch die relevante gespeicherte Information finden.
Gedächtnis in die Schleife des Agenten integrieren
Jetzt besteht die eigentliche Herausforderung darin, dies in die Wahrnehmen-Überlegen-Handeln-Schleife deines Agenten zu integrieren. Mein Forschungsagent hat jetzt einen zusätzlichen Schritt:
- Wahrnehmen : Der Benutzer stellt eine Frage (zum Beispiel: „Erzählen Sie mir von der frühen KI.“)
- Erinnern (Neue Phase!) : Bevor er irgendetwas anderes macht, fragt der Agent sein langfristiges Gedächtnis (die Vektordatenbank) nach relevanten Informationen aus der Vergangenheit. Er könnte fragen: „Habe ich zuvor etwas über ‘frühe KI’ gelernt?“
- Schlussfolgern : Das LLM erhält nun *sowohl* die aktuelle Anfrage des Benutzers *als auch* alle relevanten Informationen, die aus dem langfristigen Gedächtnis abgerufen wurden. Dieser angereicherte Kontext hilft ihm, einen besser informierten Plan auszuarbeiten.
- Handeln : Abhängig von den Schlussfolgerungen könnte er im Internet recherchieren, neue Erkenntnisse zusammenfassen oder direkt mit abgerufenen Informationen antworten.
- Unter Lernen (Noch eine neue Phase!) : Wenn der Agent wertvolle neue Informationen generiert (wie eine Zusammenfassung eines abgerufenen Artikels), verarbeitet er diese Informationen und fügt sie seinem langfristigen Gedächtnis hinzu. Das ist entscheidend für das Wachstum!
Dieser Schritt des „Erinnerns“ und „Lernens“ ist das, was einen vergesslichen Agenten in einen Agenten verwandelt, der kontinuierlich Wissen aufbaut.
Das Gedächtnis dauerhaft machen: über flüchtige Speicher hinaus
Das oben genannte Beispiel von FAISS ist hervorragend zum Lernen, aber es ist „im Speicher“, was bedeutet, dass die Daten verschwinden, wenn Ihr Skript stoppt. Für einen echten Agenten benötigen Sie einen dauerhaften Speicher.
Hier kommen dedizierte Vektordatenbanken wie Chroma, Pinecone, Qdrant oder Weaviate ins Spiel. Sie ermöglichen es Ihnen, Ihre Embeddings auf der Festplatte oder in der Cloud zu speichern, sodass Ihr Agent genau dort weitermachen kann, wo er aufgehört hat, selbst nach einem Neustart.
Persönlich habe ich mit ChromaDB begonnen, da es eine lokale Option bietet, die super einfach einzurichten ist, ohne sofort ein Cloud-Konto zu benötigen. Hier ist ein kurzer Überblick darüber, wie Sie eine Chroma-Sammlung speichern und laden könnten:
import chromadb
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OpenAIEmbeddings
from langchain_core.documents import Document
# 1. Initialisieren Sie unser Embedding-Modell
embeddings_model = OpenAIEmbeddings()
# 2. Definieren Sie unseren persistenten Client und unsere Sammlung
# Dies wird einen Ordner 'chroma_db' in Ihrem aktuellen Verzeichnis erstellen
client = chromadb.PersistentClient(path="./chroma_db")
collection_name = "ai_research_notes"
# 3. Erstellen oder abrufen des Chroma-Vektorspeichers
# Wenn er existiert, wird er geladen. Andernfalls wird er erstellt.
vector_store_chroma = Chroma(
client=client,
collection_name=collection_name,
embedding_function=embeddings_model
)
# 4. Hinzufügen neuer Dokumente (wenn die Sammlung leer ist oder wenn Sie neue Informationen haben)
if vector_store_chroma._collection.count() == 0: # Prüfen, ob die Sammlung leer ist
new_knowledge = [
"Der Turing-Test, vorgeschlagen von Alan Turing im Jahr 1950, bewertet die Fähigkeit einer Maschine, intelligentes Verhalten zu zeigen, das dem eines Menschen entspricht oder nicht unterscheidbar ist.",
"Marvin Minsky und John McCarthy gelten als die Gründerväter der KI.",
"Expertensysteme waren in den 1970er und 1980er Jahren ein prominentes KI-Paradigma, das regelbasierte Wissenssysteme zur Lösung von Problemen verwendete."
]
docs_to_add = [Document(page_content=nk) for nk in new_knowledge]
vector_store_chroma.add_documents(docs_to_add)
print("Neue Kenntnisse wurden zu ChromaDB hinzugefügt!")
else:
print("Die ChromaDB-Sammlung existiert bereits und ist geladen.")
# 5. Abfragen des persistenten Gedächtnisses
query_chroma = "Wer hat den Turing-Test vorgeschlagen?"
found_docs_chroma = vector_store_chroma.similarity_search(query_chroma, k=1)
print(f"\nAbfrage: '{query_chroma}'")
print(f"Aus dem persistenten Gedächtnis abgerufen: '{found_docs_chroma[0].page_content}'")
Wenn Sie dieses Skript jetzt ausführen, es anhalten und erneut ausführen, sehen Sie: „Die ChromaDB-Sammlung existiert bereits und ist geladen.“ Das Wissen bleibt bestehen! Das ist unglaublich mächtig, um Agenten zu bauen, die tatsächlich im Laufe der Zeit lernen und sich weiterentwickeln.
Meine Lektionen für das Upgrade des Gedächtnisses Ihres Agenten
Ein KI-Agent, der sich erinnert, ist nicht nur ein hübscher Trick; es ist entscheidend, um wirklich nützliche und intelligente Systeme zu schaffen. Hier sind die Erkenntnisse, die ich gewonnen habe, und worauf ich Ihnen empfehle, sich zu konzentrieren:
- Einfach anfangen: Versuchen Sie nicht, gleich am ersten Tag ein komplexes Gedächtnissystem zu implementieren. Verstehen Sie zuerst die Grundlagen von Embeddings und Vektorspeichern mit speicherbasierten Lösungen wie FAISS.
- Schlüsselinformationen identifizieren: Es muss nicht alles behalten werden. Gestalten Sie Ihren Agenten so, dass er nur die ausgeprägtesten Fakten, Erkenntnisse oder Schlussfolgerungen extrahiert und speichert. So bleibt Ihr Gedächtnis leicht und relevant.
- Werkzeuge weise wählen: Bibliotheken wie LangChain (oder LlamaIndex) erleichtern die Integration von Gedächtnis erheblich. Für Vektordatenbanken beginnen Sie mit etwas Benutzerfreundlichem wie ChromaDB für die lokale Entwicklung und ziehen Sie dann cloudbasierte Optionen in Betracht, wenn sich Ihre Anforderungen weiterentwickeln.
- Erinnern und Lernen integrieren: Stellen Sie sicher, dass Ihr Agent aktiv auf sein langfristiges Gedächtnis abfragt *bevor* er handelt und *aktiv neue wertvolle Informationen hinzufügt*, nachdem er Aufgaben ausgeführt hat. Dieses Feedback macht Ihren Agenten intelligenter.
- Mit der Wiederherstellung experimentieren: Der Parameter `k` in `similarity_search` ist wichtig. Brauchen Sie das relevanteste Dokument oder mehrere? Experimentieren Sie, um zu sehen, was die besten Ergebnisse für die Aufgaben Ihres Agenten liefert.
Ihrem Agenten das Erinnern beizubringen, ist ein bedeutender Schritt über die grundlegenden Funktionen eines Chatbots hinaus. Es geht darum, ihm eine kumulative Wissensbasis zu geben, die ihm ermöglicht, seine Expertise zu entwickeln und ein effektiverer und intelligenterer Assistent zu werden. Glauben Sie mir, sobald Sie sehen, dass Ihr Agent Informationen, die er vor mehreren Tagen gelernt hat, abrufen kann, um eine neue Anfrage zu beantworten, werden Sie das Gefühl haben, ein neues Level der KI-Macht wirklich freigeschaltet zu haben. Gehen Sie voran und statten Sie Ihre Agenten mit Gedächtnis aus!
Verwandte Artikel
- KI-Agenten im Immobilienwesen: Die Branche transformieren
- 5 Kostenüberwachungsfehler, die echtes Geld kosten
- Die Bewertung für den AP-Englisch-Syntheseaufsatz meistern: Ihr Leitfaden für eine 9!
🕒 Published: