Memory Bank-Kurzanleitung mit ADK

Mit der Agent Platform Memory Bank können Ihre Agents langfristige Erinnerungen über Sitzungen hinweg verwalten. Wenn Ihr Agent mit dem Agent Development Kit (ADK) verwendet wird, kann er automatisch Aufrufe an Memory Bank orchestrieren, um Erinnerungen basierend auf Nutzerinteraktionen zu speichern und abzurufen.

In diesem Dokument wird beschrieben, wie Sie einen ADK-Agent erstellen, ihn für die Verwendung von Memory Bank konfigurieren und mit ihm interagieren, um Erinnerungen zu generieren und darauf zuzugreifen.

Informationen zum direkten Aufrufen der API ohne ADK finden Sie in der Kurzanleitung für die Memory Bank API.

Wichtig: Im ADK werden hauptsächlich asynchrone Funktionen verwendet. Wenn Sie Code in einem Notebook wie Colaboratory ausführen, können Sie await-Async-Funktionen direkt aufrufen, da bereits eine Ereignisschleife ausgeführt wird. Wenn Sie diesen Code als Standard-Python-Skript ausführen, müssen Sie Ihre asynchronen Funktionsaufrufe mit asyncio.run() umschließen. So können Sie eine Ereignisschleife zum Ausführen Ihrer asynchronen Funktionen erstellen und verwalten. Andernfalls wird möglicherweise ein Fehler wie 'await' outside function angezeigt.

Wenn Sie ein Beispiel für die Verwendung von Memory Bank mit ADK sehen möchten, führen Sie das Notebook „Erste Schritte mit Memory Bank im ADK“ in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In Agent Platform Workbench öffnen | Auf GitHub ansehen

Erinnerungen mit dem ADK-Speicherdienst und Memory Bank verwalten

VertexAiMemoryBankService ist ein ADK-Wrapper für Memory Bank, der durch die BaseMemoryService des ADK definiert wird. Sie können Rückrufe und Tools definieren, die mit dem Memory-Dienst interagieren, um Erinnerungen zu lesen und zu schreiben.

Die VertexAiMemoryBankService-Schnittstelle umfasst:

• memory_service.add_session_to_memory löst eine GenerateMemories-Anfrage an Memory Bank aus, wobei alle Ereignisse im bereitgestellten adk.Session als Quellinhalte verwendet werden. Sie können Aufrufe dieser Methode mit callback_context.add_session_to_memory in Ihren Callbacks orchestrieren.

  from google.adk.agents.callback_context import CallbackContext
  
  async def add_session_to_memory_callback(callback_context: CallbackContext):
      await callback_context.add_session_to_memory()
      return None
  

• memory_service.add_events_to_memory, wodurch eine GenerateMemories-Anfrage an Memory Bank mit einer Teilmenge von Ereignissen ausgelöst wird. Sie können Aufrufe dieser Methode mit callback_context.add_events_to_memory in Ihren Callbacks orchestrieren.

  from google.adk.agents.callback_context import CallbackContext
  
  async def add_events_to_memory_callback(callback_context: CallbackContext):
      await callback_context.add_events_to_memory(events=callback_context.session.events[-5:-1])
      return None
  

• memory_service.search_memory löst eine RetrieveMemories-Anfrage an Memory Bank aus, um relevante gemerkte Informationen für die aktuelle user_id und app_name abzurufen. Sie können Aufrufe dieser Methode mit integrierten Speichertools (LoadMemoryTool oder PreloadMemoryTool) oder einem benutzerdefinierten Tool, das tool_context.search_memory aufruft, orchestrieren.

Hinweis

Wenn Sie dieser Anleitung folgen möchten, sollten Sie zuerst die Schritte im Abschnitt „Erste Schritte“ auf der Seite „Memory Bank einrichten“ ausführen.

Umgebungsvariablen festlegen

Um das ADK zu verwenden, legen Sie Ihre Umgebungsvariablen fest:

import os

os.environ["GOOGLE_GENAI_USE_ENTERPRISE"] = "TRUE"
os.environ["GOOGLE_CLOUD_PROJECT"] = "PROJECT_ID"
os.environ["GOOGLE_CLOUD_LOCATION"] = "LOCATION"

Ersetzen Sie Folgendes:

• PROJECT_ID: Ihre Projekt-ID.
• LOCATION: Ihre Region. Unterstützte Regionen für Memory Bank

ADK-Agent erstellen

Um einen Agent mit Speicher zu erstellen, richten Sie Tools und Rückrufe ein, die Aufrufe an Ihren Speicherdienst orchestrieren.

Callback für das Merken von Informationen definieren

Um Aufrufe zum Merken von Informationen zu orchestrieren, erstellen Sie eine Callback-Funktion, die das Merken von Informationen auslöst. Sie können entweder eine Teilmenge von Ereignissen (mit callback_context.add_events_to_memory) oder alle Ereignisse in einer Sitzung (mit callback_context.add_session_to_memory) zur Verarbeitung im Hintergrund senden:

from google.adk.agents.callback_context import CallbackContext

async def generate_memories_callback(callback_context: CallbackContext):
    # Option 1 (Recommended): Send events to Memory Bank for memory generation,
    # which is ideal for incremental processing of events.
    await callback_context.add_events_to_memory(
      events=callback_context.session.events[-5:-1])

    # Option 2: Send the full session to Memory Bank for memory generation.
    # It's recommended to only call this at the end of a session to minimize
    # how many times a single event is re-processed.
    await callback_context.add_session_to_memory()

    return None

Tool zum Abrufen von Informationen aus dem Speicher definieren

Wenn Sie Ihren ADK-Agenten entwickeln, fügen Sie ein Memory-Tool ein. Dieses legt fest, wann der Agent Erinnerungen abruft und wie diese in den Prompt aufgenommen werden.

Wenn Sie PreloadMemoryTool verwenden, ruft Ihr KI-Agent zu Beginn jedes Turns Erinnerungen ab und fügt sie in die Systemanweisung ein. Das ist gut, um einen grundlegenden Kontext über den Nutzer zu schaffen. Wenn Sie LoadMemoryTool verwenden, ruft das Modell dieses Tool auf, wenn es feststellt, dass Erinnerungen erforderlich sind, um die Nutzeranfrage zu beantworten.

from google import adk
from google.adk.tools.load_memory_tool import LoadMemoryTool
from google.adk.tools.preload_memory_tool import PreloadMemoryTool

memory_retrieval_tools = [
  # Option 1: Retrieve memories at the start of every turn.
  PreloadMemoryTool(),
  # Option 2: Retrieve memories via tool calls. The model will only call this tool
  # when it decides that memories are necessary to respond to the user query.
  LoadMemoryTool()
]

agent = adk.Agent(
    model="gemini-3.5-flash",
    name='stateful_agent',
    instruction="""You are a Vehicle Voice Agent, designed to assist users with information and in-vehicle actions.

1.  **Direct Action:** If a user requests a specific vehicle function (e.g., "turn on the AC"), execute it immediately using the corresponding tool. You don't have the outcome of the actual tool execution, so provide a hypothetical tool execution outcome.
2.  **Information Retrieval:** Respond concisely to general information requests with your own knowledge (e.g., restaurant recommendation).
3.  **Clarity:** When necessary, try to seek clarification to better understand the user's needs and preference before taking an action.
4.  **Brevity:** Limit responses to under 30 words.
""",
    tools=memory_retrieval_tools,
    after_agent_callback=generate_memories_callback
)

Alternativ können Sie ein eigenes benutzerdefiniertes Tool zum Abrufen von Erinnerungen erstellen. Das ist hilfreich, wenn Sie Ihrem Agent Anweisungen dazu geben möchten, wann Erinnerungen abgerufen werden sollen:

from google import adk
from google.adk.tools import ToolContext, FunctionTool

async def search_memories(query: str, tool_context: ToolContext):
  """Query this tool when you need to fetch information about user preferences."""
  return await tool_context.search_memory(query)

agent = adk.Agent(
    model="gemini-3.5-flash",
    name='stateful_agent',
    instruction="""...""",
    tools=[FunctionTool(func=search_memories)],
    after_agent_callback=generate_memories_callback
)

ADK Memory Bank-Speicherdienst und Memory Bank-Instanz definieren

Nachdem Sie einen Agent mit Erinnerungsfunktion erstellt haben, müssen Sie ihn mit einem Erinnerungsdienst verknüpfen. Der Vorgang zum Konfigurieren des ADK-Speicherdienstes hängt davon ab, wo Ihr ADK-Agent ausgeführt wird. Die Laufzeit orchestriert die Ausführung Ihrer Agents, Tools und Callbacks.

Memory Bank-Instanz erstellen

Hinweis :Überspringen Sie diesen Abschnitt, wenn Sie bereits eine Memory Bank-Instanz haben.

Sie müssen zuerst eine Memory Bank-Instanz erstellen. Dieser Schritt ist optional, wenn Sie Agent Runtime verwenden, um Ihren Agenten bereitzustellen. Weitere Informationen zum Anpassen des Verhaltens Ihrer Memory Bank-Instanz finden Sie auf der Seite „Memory Bank einrichten“ im Abschnitt Memory Bank-Instanz konfigurieren.

import vertexai

client = vertexai.Client(
  project="PROJECT_ID",
  location="LOCATION"
)
# If you don't have a Memory Bank instance already, create a
# Memory Bank instance using the default configuration.
memory_bank = client.agent_engines.create()

# Optionally, print out the resource name. You will need the
# resource name if you want to interact with your Memory Bank instance later on.
print(memory_bank.api_resource.name)

agent_engine_id = memory_bank.api_resource.name.split("/")[-1]

Ersetzen Sie Folgendes:

• PROJECT_ID: Ihre Projekt-ID.
• LOCATION: Ihre Region. Unterstützte Regionen für Memory Bank

ADK-Laufzeit erstellen

Übergeben Sie die Memory Bank-Instanz-ID an die Laufzeit- oder Bereitstellungsskripts, damit Ihr Agent Memory Bank als ADK-Speicherdienst verwendet.

Lokaler Runner

adk.Runner wird in der Regel in einer lokalen Umgebung wie Colab verwendet. In diesem Fall müssen Sie den Speicherdienst und den Runner direkt erstellen.

import asyncio

from google.adk.memory import VertexAiMemoryBankService
from google.adk.sessions import VertexAiSessionService
from google.genai import types

memory_service = VertexAiMemoryBankService(
    project="PROJECT_ID",
    location="LOCATION",
    agent_engine_id="MEMORY_BANK_ID",
)

# You can use any ADK session service. This example uses Sessions.
session_service = VertexAiSessionService(
    project="PROJECT_ID",
    location="LOCATION",
    agent_engine_id="SESSIONS_ID",
)

runner = adk.Runner(
    agent=agent,
    app_name="APP_NAME",
    session_service=session_service,
    memory_service=memory_service
)

async def call_agent(query, session, user_id):
  content = types.Content(role='user', parts=[types.Part(text=query)])
  events = runner.run_async(
    user_id=user_id, session_id=session, new_message=content)

  async for event in events:
      if event.is_final_response():
          final_response = event.content.parts[0].text
          print("Agent Response: ", final_response)

Ersetzen Sie Folgendes:

• PROJECT_ID: Ihre Projekt-ID.
• LOCATION: Ihre Region. Unterstützte Regionen für Memory Bank
• APP_NAME: ADK-App-Name. Der App-Name wird in das scope-Dictionary der generierten Erinnerungen aufgenommen, damit Erinnerungen sowohl für Nutzer als auch für Apps isoliert werden.
• MEMORY_BANK_ID: Die Instanz-ID der Memory Bank. Zum Beispiel 456 in projects/my-project/locations/us-central1/reasoningEngines/456.
• SESSIONS_ID: Die Instanz-ID für Agent Platform Sessions. Zum Beispiel 789 in projects/my-project/locations/us-central1/reasoningEngines/789.

Agent Runtime auf der Gemini Enterprise Agent Platform

Die Agent Runtime ADK-Vorlage (AdkApp) kann sowohl lokal als auch zum Bereitstellen eines ADK-Agents in der Agent Runtime verwendet werden. Wenn das Memory Bank ADK-Template auf der Agent Platform bereitgestellt wird, wird VertexAiMemoryBankService als Standardspeicherdienst verwendet. Sie können also Ihre Memory Bank-Instanz erstellen und in einem einzigen Schritt in einer Laufzeit bereitstellen.

Weitere Informationen zum Einrichten Ihrer Memory Bank-Instanz, einschließlich der Anpassung des Verhaltens Ihrer Memory Bank, finden Sie unter Memory Bank konfigurieren.

Verwenden Sie den folgenden Code, um Ihren speicherfähigen ADK-Agenten in der Agent Runtime bereitzustellen:

import asyncio

import vertexai
from vertexai.agent_engines import AdkApp

client = vertexai.Client(
  project="PROJECT_ID",
  location="LOCATION"
)

adk_app = AdkApp(agent=agent)

# Create a new resource with your agent deployed to Agent Runtime.
# The Agent Runtime instance will also include an empty Memory Bank instance.
agent_engine = client.agent_engines.create(
      agent_engine=adk_app,
      config={
            "staging_bucket": "STAGING_BUCKET",
            "requirements": ["google-cloud-aiplatform[agent_engines,adk]"]
      }
)

# Alternatively, update an existing resource to deploy your agent to Agent Platform.
# Your agent will have access to the Runtime instance's existing memories.
agent_engine = client.agent_engines.update(
      name=agent_engine.api_resource.name,
      agent_engine=adk_app,
      config={
            "staging_bucket": "STAGING_BUCKET",
            "requirements": ["google-cloud-aiplatform[agent_engines,adk]"]
      }
)

async def call_agent(query, session_id, user_id):
    async for event in agent_engine.async_stream_query(
        user_id=user_id,
        session_id=session_id,
        message=query,
    ):
        print(event)

Ersetzen Sie Folgendes:

• PROJECT_ID: Ihre Projekt-ID.
• LOCATION: Ihre Region. Unterstützte Regionen für Memory Bank
• STAGING_BUCKET: Ihr Cloud Storage-Bucket, der für das Staging Ihrer Agent Runtime verwendet werden soll.

Bei der lokalen Ausführung verwendet die ADK-Vorlage InMemoryMemoryService als Standardspeicherdienst. Sie können den Standardspeicherdienst jedoch überschreiben, um VertexAiMemoryBankService zu verwenden:

def memory_bank_service_builder():
    return VertexAiMemoryBankService(
        project="PROJECT_ID",
        location="LOCATION",
        agent_engine_id="MEMORY_BANK_ID"
    )

adk_app = AdkApp(
      agent=adk_agent,
      # Override the default memory service.
      memory_service_builder=memory_bank_service_builder
)

async def call_agent(query, session_id, user_id):
  # adk_app is a local agent. If you want to deploy it to Agent Runtime,
  # use `client.agent_engines.create(...)` or `client.agent_engines.update(...)`
  # and call the returned Agent Runtime instance instead.
  async for event in adk_app.async_stream_query(
      user_id=user_id,
      session_id=session_id,
      message=query,
  ):
      print(event)

Ersetzen Sie Folgendes:

• PROJECT_ID: Ihre Projekt-ID.
• LOCATION: Ihre Region. Unterstützte Regionen für Memory Bank
• MEMORY_BANK_ID: Die Memory Bank-Instanz-ID, die für Memory Bank verwendet werden soll. Zum Beispiel 456 in projects/my-project/locations/us-central1/reasoningEngines/456.

Cloud Run

Wenn Sie ein Beispiel für die Verwendung von Memory Bank mit Cloud Run sehen möchten, führen Sie das Notebook „Erste Schritte mit Sessions und Memory Bank für ADK-Agents in Cloud Run“ in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In Agent Platform Workbench öffnen | Auf GitHub ansehen

Informationen zum Bereitstellen Ihres Agenten in Cloud Run finden Sie in der ADK-Dokumentation.

adk deploy cloud_run \
    ...
    --memory_service_uri=agentengine://AGENT_ENGINE_ID

Google Kubernetes Engine (GKE)

Wenn Sie ein Beispiel für die Verwendung von Memory Bank mit Google Kubernetes Engine sehen möchten, führen Sie das Notebook „Erste Schritte mit Sitzungen und Memory Bank für ADK-Agents in Google Kubernetes Engine“ in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In Agent Platform Workbench öffnen | Auf GitHub ansehen

Informationen zum Bereitstellen Ihres Agents in GKE finden Sie in der ADK-Dokumentation. Dort wird beschrieben, wie Sie Ihren Agent für die Bereitstellung in GKE definieren.

adk deploy gke \
    ...
    --memory_service_uri=agentengine://AGENT_ENGINE_ID

ADK Web

Wichtig :ADK Web ist nicht für die Verwendung in Produktionsbereitstellungen vorgesehen. Sie sollten ADK Web nur zu Entwicklungs- und Debugging-Zwecken verwenden.

Mit der ADK-Weboberfläche können Sie Ihre KI-Agenten direkt im Browser testen.

export GOOGLE_CLOUD_PROJECT="PROJECT_ID"
export GOOGLE_CLOUD_LOCATION="LOCATION"

adk web --memory_service_uri=agentengine://MEMORY_BANK_ID

Ersetzen Sie Folgendes:

• PROJECT_ID: Ihre Projekt-ID.
• LOCATION: Ihre Region. Unterstützte Regionen für Memory Bank
• MEMORY_BANK_ID: Die Instanz-ID der Memory Bank. Zum Beispiel 456 in projects/my-project/locations/us-central1/reasoningEngines/456.

Mit dem Agent interagieren

Nachdem Sie Ihren Agenten definiert und die Memory Bank eingerichtet haben, können Sie mit ihm interagieren. Wenn Sie beim Initialisieren Ihres Agents einen Callback zum Auslösen der Erinnerungserstellung angegeben haben, wird die Erinnerungserstellung jedes Mal ausgelöst, wenn der Agent aufgerufen wird.

Gemerkte Informationen werden mit dem Bereich {"user_id": USER_ID, "app_name": APP_NAME} gespeichert, der der Nutzer-ID und dem App-Namen entspricht, die zum Ausführen Ihres Agents verwendet werden.

Die Interaktionsmethode mit Ihrem Agenten hängt von der Ausführungsumgebung ab:

Lokaler Runner

# Use `asyncio.run(session_service.create(...))` if you're running this
# code as a standard Python script.
session = await session_service.create_session(
    app_name="APP_NAME",
    user_id="USER_ID"
)

# Use `asyncio.run(call_agent(...))` if you're running this code as a
# standard Python script.
await call_agent(
    "Can you fix the temperature?",
    session.id,
    "USER_ID"
)

Ersetzen Sie Folgendes:

• APP_NAME: App-Name für Ihren Runner.
• USER_ID: Eine Kennung für Ihren Nutzer. Erinnerungen, die aus dieser Sitzung generiert werden, werden mit dieser intransparenten Kennung versehen. Der Umfang der generierten Erinnerungen wird als {"user_id": "USER_ID"} gespeichert.

Agent Runtime

Wenn Sie das ADK-Template verwenden, können Sie Ihre Agent Runtime aufrufen, um mit dem Speicher und den Sitzungen zu interagieren.

# Use `asyncio.run(agent_engine.async_create_session(...))` if you're
# running this code as a standard Python script.
session = await agent_engine.async_create_session(user_id="USER_ID")

# Use `asyncio.run(call_agent(...))` if you're running this code as a
# standard Python script.
await call_agent(
    "Can you fix the temperature?",
    session.get("id"),
    "USER_ID"
)

Ersetzen Sie Folgendes:

• USER_ID: Eine Kennung für Ihren Nutzer. Erinnerungen, die aus dieser Sitzung generiert werden, werden mit dieser intransparenten Kennung versehen. Der Umfang der generierten Erinnerungen wird als {"user_id": "USER_ID"} gespeichert.

Cloud Run

Weitere Informationen finden Sie im Abschnitt Agent testen der ADK-Dokumentation zur Cloud Run-Bereitstellung.

GKE

Weitere Informationen finden Sie im Abschnitt Agent testen in der ADK-Dokumentation zur GKE-Bereitstellung.

ADK Web

Wenn Sie ADK Web verwenden möchten, rufen Sie den lokalen Server unter http://localhost:8000 auf.

Standardmäßig wird die Nutzer-ID in ADK Web auf user festgelegt. Wenn Sie die Standardnutzer-ID überschreiben möchten, fügen Sie userId in die Abfrageparameter ein, z. B. http://localhost:8000?userId=YOUR_USER_ID.

Weitere Informationen finden Sie in der ADK-Dokumentation auf der Seite ADK Web.

Beispielinteraktion

Erste Sitzung

Wenn Sie PreloadMemoryTool verwendet haben, versucht der Agent, zu Beginn jedes Turns Erinnerungen abzurufen, um auf die Einstellungen zuzugreifen, die der Nutzer dem Agenten zuvor mitgeteilt hat. Bei der ersten Interaktion des Agents mit dem Nutzer sind keine Erinnerungen verfügbar, die abgerufen werden könnten. Daher kennt der Agent keine Nutzerpräferenzen wie die bevorzugte Temperatur, wie im folgenden Beispiel gezeigt:

1. Erste Runde:

   • Nutzer: „Kannst du die Temperatur anpassen?“

   • (Toolaufruf): Das ADK versucht, Erinnerungen abzurufen. Es sind jedoch keine Erinnerungen verfügbar.

   • Modell: „Welche Temperatur bevorzugst du?“

   • (Callback): Das ADK löst das Merken von Informationen aus. Es werden keine gemerkten Informationen extrahiert.

2. Zweite Runde:

   • Nutzer: Ich fühle mich bei 22 Grad wohl.

   • (Toolaufruf): Das ADK versucht, Erinnerungen abzurufen. Es sind jedoch keine Erinnerungen verfügbar.

   • Modell: Okay, ich habe die Temperatur auf 22 Grad aktualisiert.

   • (Callback): Das ADK löst das Merken von Informationen aus. Der Speicher „Ich mag die Temperatur von 22 Grad“ wird erstellt.

Zweite Sitzung

Der extrahierte Arbeitsspeicher ist für die nächste Sitzung für denselben App-Namen und dieselbe Nutzer-ID verfügbar. Wenn der Nutzer ähnliche oder widersprüchliche Informationen zu bestehenden Erinnerungen angibt, werden die neuen Informationen mit den bestehenden Erinnerungen zusammengeführt.

1. Erste Runde

   • Nutzer: Fix the temperature. Das ist so unangenehm!

   • (Toolaufruf): Das ADK versucht, Erinnerungen abzurufen. Die Erinnerung „Ich mag die Temperatur von 22 Grad“ wird abgerufen.

   • Modell: Okay, ich habe die Temperatur auf 22 Grad aktualisiert.

   • (Callback): Das ADK löst das Merken von Informationen aus. Es werden keine Erinnerungen extrahiert, da der Nutzer nichts geteilt hat, was gespeichert werden könnte.

2. Zweite Runde

   • Nutzer: Ich hätte es lieber wärmer am Morgen.

   • (Toolaufruf): Das ADK versucht, Erinnerungen abzurufen. Die Erinnerung „Ich mag die Temperatur von 22 Grad“ wird abgerufen.

   • Modell: Okay, ich habe die Temperatur erhöht.

   • (Callback): Das ADK löst das Merken von Informationen aus. Die vorhandene Erinnerung „Ich mag die Temperatur von 22 Grad“ wird zu „Ich mag die Temperatur von 22 Grad im Allgemeinen, aber morgens mag ich es wärmer“ aktualisiert.

Hinweis :Je nach verwendetem Modell können die Antworten des Agents und der Memory Bank variieren.

Multiregionale Memory Bank mit regionaler Laufzeit verwenden

Wenn Sie die Laufzeit mit integrierter Memory Bank verwenden, werden Ihr Agent und Ihre Memory Bank standardmäßig in derselben Region bereitgestellt. Sie können sie jedoch entkoppeln, um eine multiregionale Memory Bank (z. B. us) mit einer regionalen Laufzeit (z. B. us-central1) zu verwenden. Mit dieser Konfiguration können Sie eine zentrale Memory Bank für verschiedene regionale Bereitstellungen beibehalten.

Wenn Sie eine multiregionale Memory Bank verwenden möchten, müssen Sie den Standard-ADK-Memory-Service-Builder überschreiben, damit er auf den multiregionalen Standort und die entsprechende Memory Bank-ID verweist.

import vertexai
from google.adk.memory import VertexAiMemoryBankService
from vertexai.agent_engines import AdkApp

# Create the Memory Bank instance in a multi-region location (for example, 'us')
client_mb = vertexai.Client(project="PROJECT_ID", location="us")
memory_bank = client_mb.agent_engines.create()
memory_bank_id = memory_bank.api_resource.name.split(\"/\")[-1]


# Point your memory service to the 'us' location, 'us' Memory Bank
def memory_bank_service_builder():
    return VertexAiMemoryBankService(
        project="PROJECT_ID",
        location="us",
        agent_engine_id=memory_bank_id
    )

# Create the AdkApp with the overridden builder
adk_app = AdkApp(
    agent=agent,
    memory_service_builder=memory_bank_service_builder
)

# Deploy the runtime to a specific region (for example, 'us-central1')
client_runtime = vertexai.Client(project="PROJECT_ID", location="us-central1")
agent_engine = client_runtime.agent_engines.create(
    agent=adk_app,
    config={
        "staging_bucket": "STAGING_BUCKET",
        "requirements": ["google-cloud-aiplatform[agent_engines,adk]"]
    }
)

Ersetzen Sie Folgendes:

• PROJECT_ID: Ihre Projekt-ID.
• STAGING_BUCKET: Ihr Cloud Storage-Bucket, der für das Staging Ihrer Agent Runtime verwendet werden soll.

Bereinigen

Wenn Sie alle in diesem Projekt verwendeten Ressourcen bereinigen möchten, können Sie das Google Cloud-Projekt löschen, das Sie für den Schnellstart verwendet haben.

Andernfalls können Sie die einzelnen Ressourcen löschen, die Sie in dieser Anleitung erstellt haben:

1. Mit dem folgenden Codebeispiel können Sie die Agent Runtime-Instanz löschen. Dadurch werden auch alle Sitzungen oder Erinnerungen gelöscht, die zu dieser Laufzeit gehören.

   agent_engine.delete(force=True)
   

2. Löschen Sie alle lokal erstellten Dateien.

Nächste Schritte

Kurzanleitung

Kurzanleitung für die Memory Bank API

Erste Schritte mit der Memory Bank API zum Verwalten von Langzeiterinnerungen