יצירת זיכרונות

‫Memory Bank בפלטפורמת Agent מאפשר לכם ליצור זיכרונות לטווח ארוך משיחות בין המשתמש לבין הנציג שלכם. התהליך הזה מתרחש באופן אוטומטי כשהוא מופעל, ומחלץ מידע חשוב לאינטראקציות עתידיות.

במאמר הזה מוסבר איך פועל תהליך יצירת הזיכרון, איך להתאים אישית את חילוץ הזיכרון באמצעות נושאים ואיך להפעיל בקשות ליצירת זיכרון.

איך מגדירים את הסביבה ל-Memory Bank

הסבר על תהליך יצירת הזיכרון

‫Memory Bank מחלץ זיכרונות מנתוני המקור ויוצר אוסף ספציפי של זיכרונות (שמוגדר על ידי scope) על ידי הוספה, עדכון והסרה של זיכרונות לאורך זמן.

כשמפעילים את תהליך יצירת הזיכרון, Memory Bank מבצע את הפעולות הבאות:

  • חילוץ: חילוץ מידע על המשתמש מהשיחות שלו עם הנציג. רק מידע שתואם לפחות לאחד מנושאי הזיכרון של המופע יישמר.

  • איחוד: המערכת בודקת אם צריך למחוק או לעדכן זיכרונות קיימים באותו היקף על סמך המידע שחולץ. לפני ש-Memory Bank ממזג זיכרונות חדשים עם זיכרונות קיימים, הוא בודק שהם לא כפולים או סותרים. אם הזיכרונות הקיימים לא חופפים למידע החדש, ייווצר זיכרון חדש.

אלגוריתם ליצירת זיכרונות

אתם יכולים לבדוק את שלבי הביניים של תהליך יצירת הזיכרון ולראות איך הזיכרון משתנה בין כמה בקשות באמצעות גרסאות זיכרון. כל גרסה כוללת את פלט הביניים של שלב החילוץ (extracted_memories) ואת שלב האיחוד הסופי (fact) לכל בקשה ליצירת זיכרון.

list(client.memory_banks.memories.revisions.list(
  name="projects/.../locations/.../reasoningEngines/.../memories/.../revisions/..."))

"""
[
  MemoryRevision(
    name="projects/123/locations/us-central1/reasoningEngines/456/memories/789/revision/456",
    fact="This is my updated fact",
    extracted_memories=[
      IntermediateExtractedMemory(
        fact='This is the output of extraction for a single request.'
      ),
    ],
    ...
  ),
  MemoryRevision(
    name="projects/123/locations/us-central1/reasoningEngines/456/memories/789/revision/123",
    fact="This is my original fact",
    extracted_memories=[
      IntermediateExtractedMemory(
        fact='This is my original fact.'
      ),
    ],
    ...
  )
]
"""

נושאי הזיכרונות

"נושאי זיכרון" מזהים איזה מידע נחשב בעיני Memory Bank כמשמעותי, ולכן צריך לשמור אותו כזיכרונות שנוצרו. ‫Memory Bank תומך בשני סוגים של נושאי זיכרון:

  • נושאים מנוהלים: התווית וההוראות מוגדרות על ידי Memory Bank. צריך לציין רק את שם הנושא המנוהל. לדוגמה:

    מילון

    memory_topic = {
        "managed_memory_topic": {
            "managed_topic_enum": "USER_PERSONAL_INFO"
        }
    }
    

    מבוסס-כיתה

    from agentplatform.types import ManagedTopicEnum
    from agentplatform.types import MemoryBankCustomizationConfigMemoryTopic as MemoryTopic
    from agentplatform.types import MemoryBankCustomizationConfigMemoryTopicManagedMemoryTopic as ManagedMemoryTopic
    
    memory_topic = MemoryTopic(
        managed_memory_topic=ManagedMemoryTopic(
            managed_topic_enum=ManagedTopicEnum.USER_PERSONAL_INFO
        )
    )
    
  • נושאים בהתאמה אישית: אתם מגדירים את התווית וההוראות כשאתם מגדירים את המכונה של Memory Bank. הם ישמשו בהנחיה לשלב החילוץ של Memory Bank. לדוגמה:

    מילון

    memory_topic = {
        "custom_memory_topic": {
            "label": "business_feedback",
            "description": """Specific user feedback about their experience
            at the coffee shop. This includes opinions on drinks, food,
            pastries, ambiance, staff friendliness, service speed,
            cleanliness, and any suggestions for improvement."""
        }
    }
    

    מבוסס-כיתה

    from agentplatform.types import MemoryBankCustomizationConfigMemoryTopic as MemoryTopic
    from agentplatform.types import MemoryBankCustomizationConfigMemoryTopicCustomMemoryTopic as CustomMemoryTopic
    
    memory_topic = MemoryTopic(
        custom_memory_topic=CustomMemoryTopic(
            label="business_feedback",
            description="""Specific user feedback about their experience at
            the coffee shop. This includes opinions on drinks, food,
            pastries, ambiance, staff friendliness, service speed,
            cleanliness, and any suggestions for improvement."""
        )
    )
    

    כשמשתמשים בנושאים בהתאמה אישית, מומלץ גם לספק פרומפט עם כמה דוגמאות (few-shot) כדי להדגים איך לחלץ זיכרונות מהשיחה.

כברירת מחדל, ב-Memory Bank נשמרים כל הנושאים המנוהלים הבאים:

  • מידע על המשתמש (USER_PERSONAL_INFO): מידע חשוב על המשתמש, כמו שמות, מערכות יחסים, תחביבים ותאריכים חשובים. לדוגמה, "אני עובד ב-Google" או "יום הנישואין שלי הוא ב-31 בדצמבר".

  • העדפות המשתמש (USER_PREFERENCES): דברים שהמשתמש אוהב או לא אוהב, סגנונות או דפוסים מועדפים, בין אם הם צוינו במפורש ובין אם לא. לדוגמה, "אני מעדיף את המושב האמצעי".

  • אירועים מרכזיים בשיחה ותוצאות של משימות (KEY_CONVERSATION_DETAILS): ציוני דרך או מסקנות חשובים בשיחה. לדוגמה, "הזמנתי כרטיסי טיסה הלוך ושוב בין JFK ל-SFO. אני יוצא ב-1 ביוני 2025 וחוזר ב-7 ביוני 2025".

  • הוראות מפורשות לזכור או לשכוח (EXPLICIT_INSTRUCTIONS): מידע שהמשתמש מבקש מהסוכן לזכור או לשכוח באופן מפורש. לדוגמה, אם המשתמש אומר "תזכור שאני משתמש בעיקר ב-Python",‏ Memory Bank יוצר זיכרון כמו "אני משתמש בעיקר ב-Python".

זה שווה ערך לשימוש בקבוצת הנושאים הבאה של זיכרון מנוהל:

מילון

  memory_topics = [
      {"managed_memory_topic": {"managed_topic_enum": "USER_PERSONAL_INFO"}},
      {"managed_memory_topic": {"managed_topic_enum": "USER_PREFERENCES"}},
      {"managed_memory_topic": {"managed_topic_enum": "KEY_CONVERSATION_DETAILS"}},
      {"managed_memory_topic": {"managed_topic_enum": "EXPLICIT_INSTRUCTIONS"}},
  ]

מבוסס-כיתה

from agentplatform.types import ManagedTopicEnum
from agentplatform.types import MemoryBankCustomizationConfigMemoryTopic as MemoryTopic
from agentplatform.types import MemoryBankCustomizationConfigMemoryTopicManagedMemoryTopic as ManagedMemoryTopic

memory_topics = [
  MemoryTopic(
      managed_memory_topic=ManagedMemoryTopic(
          managed_topic_enum=ManagedTopicEnum.USER_PERSONAL_INFO)),
  MemoryTopic(
      managed_memory_topic=ManagedMemoryTopic(
          managed_topic_enum=ManagedTopicEnum.USER_PREFERENCES)),
  MemoryTopic(
      managed_memory_topic=ManagedMemoryTopic(
          managed_topic_enum=ManagedTopicEnum.KEY_CONVERSATION_DETAILS)),
  MemoryTopic(
      managed_memory_topic=ManagedMemoryTopic(
          managed_topic_enum=ManagedTopicEnum.EXPLICIT_INSTRUCTIONS)),
]

אם אתם רוצים להתאים אישית את הנושאים שיישמרו ב-Memory Bank, אתם יכולים להגדיר את נושאי הזיכרון בהגדרות ההתאמה האישית כשאתם מגדירים את Memory Bank.

שימוש במטא-נתונים במהלך איחוד

אתם יכולים לצרף מטא-נתונים לזיכרונות שנוצרו. המטא-נתונים מאפשרים לאחסן מידע מובנה (מחרוזות, ערכים מסוג double, ערכים בוליאניים או חותמות זמן) לצד עובדה בזיכרון. האפשרות הזו שימושית לסינון או לניהול מחזורי החיים של הזיכרונות.

מילון

import datetime

client.memory_banks.memories.generate(
    ...,
    config={
        "metadata": {
            "my_string_key": {"string_value": "my_string_value"},
            "my_double_key": {"double_value": 123.456},
            "my_boolean_key": {"bool_value": True},
            "my_timestamp_key": {
                "timestamp_value": datetime.datetime(
                    2027, 1, 1, 12, 30, 00, tzinfo=datetime.timezone.utc
                )
            }
        },
        "metadata_merge_strategy": "MERGE"
    },
)

מבוסס-כיתה

import datetime

from agentplatform import types

client.memory_banks.memories.generate(
    ...,
    config=types.GenerateMemoriesConfig(
        metadata={
            "my_string_key": types.MemoryMetadataValue(string_value="my_string_value"),
            "my_double_key": types.MemoryMetadataValue(double_value=123.456),
            "my_boolean_key": types.MemoryMetadataValue(bool_value=True),
            "my_timestamp_key": types.MemoryMetadataValue(
                timestamp_value=datetime.datetime(
                    2027, 1, 1, 12, 30, 00, tzinfo=datetime.timezone.utc
                )
            ),
        },
        metadata_merge_strategy=types.MemoryMetadataMergeStrategy.MERGE,
    )
)

באמצעות metadata_merge_strategy, אתם יכולים לקבוע איך המטא-נתונים החדשים ישפיעו על הזיכרונות הקיימים במהלך האיחוד:

  • ‫MERGE: (ברירת המחדל) שילוב של המטא-נתונים החדשים עם המטא-נתונים הקיימים. אם המפתח כבר קיים, הערך החדש מחליף את הערך הישן.

  • ‫OVERWRITE: מחליפים את המטא-נתונים של הזיכרונות המעודכנים במטא-נתונים החדשים.

  • ‫REQUIRE_EXACT_MATCH: הגבלת האיחוד לזיכרונות שיש להם בדיוק את אותם המטא-נתונים כמו בבקשה. אם לזיכרון אין את אותם מטא-נתונים, הוא לא כשיר לאיחוד והוא לא יעודכן.

יצירת זיכרונות לפי קבוצת משנה של נושאים

כברירת מחדל, תהליך יצירת הזיכרון מחלץ נתונים לכל נושאי הזיכרון שהגדרתם כשהגדרתם את המכונה של Memory Bank. בבקשת GenerateMemories ספציפית, אפשר להגביל את החילוץ לקבוצת משנה של נושאים שהוגדרו. כדי להגדיר נושאים מותרים, משתמשים בשדה allowed_topics.

מילון

client.memory_banks.memories.generate(
    ...,
    config={
        "allowed_topics": [
            {"managed_memory_topic": "USER_PERSONAL_INFO"},
            {"custom_memory_topic_label": "business_feedback"}
        ]
    },
)

מבוסס-כיתה

from agentplatform import types

client.memory_banks.memories.generate(
    ...,
    config=types.GenerateMemoriesConfig(
        allowed_topics=[
            types.MemoryTopicId(
                managed_memory_topic=types.ManagedTopicEnum.USER_PERSONAL_INFO
            ),
            types.MemoryTopicId(
                custom_memory_topic_label="business_feedback"
            )
        ]
    )
)

הפעלת תהליך יצירת הזיכרון

כדי להפעיל את תהליך יצירת הזיכרון, אתם יכולים להשתמש באחת מהשיטות הבאות:

  • ‫GenerateMemories: הטמעת נתונים ב-Memory Bank והפעלת תהליך יצירת הזיכרון באופן מיידי. השיטה הזו שימושית כשרוצים ליצור זיכרונות בנקודת זמן ספציפית, למשל בסוף סשן או במרווחי זמן קבועים במהלך סשן.
  • ‫IngestEvents: הטמעת נתונים ב-Memory Bank באופן רציף, ועיבוד הנתונים ב-Memory Bank כשמתקיימים הקריטריונים להפעלה. השיטה הזו שימושית כשיש לכם זרם רציף של אירועים ואתם רוצים ש-Memory Bank יטפל באופן אוטומטי בשמירה במאגר נתונים זמני ויפעיל את תהליך יצירת הזיכרון על סמך נפח או זמן. מידע נוסף זמין במאמר הטמעת אירועים.

בתהליך יצירת הזיכרון, המערכת מחלצת את ההקשר העיקרי מהשיחות שמשמשות כמקור, ומשלבת אותו עם הזיכרונות הקיימים באותו היקף. לדוגמה, אפשר ליצור זיכרונות ברמת הסשן באמצעות היקף כמו {"user_id": "123", "session_id": "456"}. אפשר לאחד זיכרונות עם אותו היקף ולאחזר אותם ביחד.

‫GenerateMemories היא פעולה ממושכת. בסיום הפעולה, השדה GenerateMemoriesOperation יכיל רשימה של הזיכרונות שנוצרו, אם נוצרו כאלה:

GenerateMemoriesOperation(
  name="projects/.../locations/.../reasoningEngines/.../operations/...",
  done=True,
  response=GenerateMemoriesResponse(
    generatedMemories=[
      GenerateMemoriesResponseGeneratedMemory(
        memory=Memory(
          "name": "projects/.../locations/.../reasoningEngines/.../memories/..."
        ),
        action="CREATED",
      ),
      GenerateMemoriesResponseGeneratedMemory(
        memory=Memory(
          "name": "projects/.../locations/.../reasoningEngines/.../memories/..."
        ),
        action="UPDATED",
      ),
      GenerateMemoriesResponseGeneratedMemory(
        memory=Memory(
          "name": "projects/.../locations/.../reasoningEngines/.../memories/..."
        ),
        action="DELETED",
      ),
    ]
  )
)

כל זיכרון שנוצר כולל את action שבוצעה בו:

  • ‫CREATED: מציין שנוסף זיכרון חדש, שמייצג קונספט חדש שלא נכלל בזיכרונות הקיימים.

  • ‫UPDATED: מציין שזיכרון קיים עודכן. זה קורה אם הזיכרון מכיל מושגים דומים למידע החדש שחולץ. העובדה בזיכרון עשויה להתעדכן במידע חדש או להישאר ללא שינוי.

  • ‫DELETED: מציין שהזיכרון הקיים נמחק כי המידע שבו סתר מידע חדש שהופק מהשיחה.

בזיכרונות מסוג CREATED או UPDATED, אפשר להשתמש ב-GetMemories כדי לאחזר את התוכן המלא של הזיכרון. אחזור של DELETED זיכרונות מוביל לשגיאה 404.

הזיכרונות נוצרים ברקע

‫GenerateMemories היא פעולה ממושכת. כברירת מחדל, client.memory_banks.memories.generate היא פונקציית חסימה שדוגמת את הפעולה עד שהיא מסתיימת. כדאי להפעיל את תהליך יצירת הזיכרון כפעולת חסימה כשרוצים לבדוק ידנית את הזיכרונות שנוצרו או להודיע למשתמשי הקצה אילו זיכרונות נוצרו.

עם זאת, בנציגים בסביבת הייצור, בדרך כלל כדאי להריץ את תהליך יצירת הזיכרון ברקע כתהליך אסינכרוני. ברוב המקרים, הלקוח לא צריך להשתמש בפלט של ההרצה הנוכחית, ולכן אין צורך להמתין לתגובה ולהוסיף זמן אחזור. אם רוצים שתהליך יצירת הזיכרון יתבצע ברקע, מגדירים את wait_for_completion לערך False:

client.memory_banks.memories.generate(
    ...,
    config={
        "wait_for_completion": False
    }
)

במקום להפעיל את GenerateMemories באופן אסינכרוני, אתם יכולים להשתמש ב-IngestEvents, שמפריד בין הטמעת האירועים לבין יצירת הזיכרון ומעבד את האירועים ברקע כברירת מחדל.

מקורות נתונים

יש כמה דרכים לספק נתוני מקור לתהליך יצירת הזיכרון:

כשאתם מספקים אירועים ישירות ב-payload או משתמשים בסשנים, המידע נשלף מהשיחה ומשולב עם הזיכרונות הקיימים. אם אתם רוצים רק לחלץ מידע ממקורות הנתונים האלה, אתם יכולים להשבית את האיחוד:

client.memory_banks.memories.generate(
    ...
    config={
        "disable_consolidation": True
    }
)

שימוש באירועים במטען הייעודי (payload) כמקור הנתונים

כדאי להשתמש ב-direct_contents_source כשרוצים ליצור זיכרונות באמצעות אירועים שסופקו ישירות במטען הייעודי (payload). המערכת מחלצת מידע משמעותי מהאירועים האלה ומאחדת אותו עם מידע קיים באותו היקף. אפשר להשתמש בגישה הזו אם אתם משתמשים במאגר סשנים אחר מ-Agent Platform Sessions.

מילון

האירועים צריכים לכלול מילונים מסוג Content .

events =  [
  {
    "content": {
      "role": "user",
      "parts": [
        {"text": "I work with LLM agents!"}
      ]
    }
  }
]

client.memory_banks.memories.generate(
    name=memory_bank.name,
    direct_contents_source={
      "events": EVENTS
    },
    # For example, `scope={"user_id": "123"}`.
    scope=SCOPE,
    config={
        "wait_for_completion": True
    }
)

מחליפים את מה שכתוב בשדות הבאים:

  • ‫SCOPE: מילון שמייצג את היקף הזיכרונות שנוצרו. לדוגמה, {"session_id": "MY_SESSION"}. רק פרטים עם אותו היקף נלקחים בחשבון לאיחוד.

מבוסס-כיתה

האירועים צריכים לכלול אובייקטים מסוג Content.

from google import genai
from agentplatform import types

events = [
  types.GenerateMemoriesRequestDirectContentsSourceEvent(
    content=genai.types.Content(
      role="user",
      parts=[
        genai.types.Part.from_text(text="I work with LLM agents!")
      ]
    )
  )
]

client.memory_banks.memories.generate(
    name=memory_bank.name,
    direct_contents_source={
      "events": events
    },
    # For example, `scope={"user_id": "123"}`.
    scope=SCOPE,
    config={
        "wait_for_completion": True
    }
)

מחליפים את מה שכתוב בשדות הבאים:

  • ‫SCOPE: מילון שמייצג את היקף הזיכרונות שנוצרו. לדוגמה, {"session_id": "MY_SESSION"}. רק פרטים עם אותו היקף נלקחים בחשבון לאיחוד.

שימוש בסשנים של פלטפורמת הסוכנים כמקור הנתונים

בסשנים, Memory Bank משתמש באירועי סשן כמקור השיחה ליצירת זיכרון.

כדי להגדיר את היקף הזיכרונות שנוצרו, כברירת מחדל Memory Bank מחלץ את מזהה המשתמש מהסשן ומשתמש בו. לדוגמה, היקף הזיכרונות נשמר בתור {"user_id": "123"} אם user_id של הסשן הוא "123". אפשר גם לספק scope ישירות, מה שמבטל את השימוש ב-user_id של הסשן כהיקף.

מילון

client.memory_banks.memories.generate(
  name=memory_bank.name,
  vertex_session_source={
      # For example, projects/.../locations/.../reasoningEngines/.../sessions/...
      "session": "SESSION_NAME"
  },
  # Optional when using Sessions. Defaults to {"user_id": session.user_id}.
  scope=SCOPE,
  config={
      "wait_for_completion": True
  }
)

מחליפים את מה שכתוב בשדות הבאים:

  • ‫SESSION_NAME: שם הסשן המלא.

  • ‫(אופציונלי) SCOPE: מילון שמייצג את היקף הזיכרונות שנוצרו. לדוגמה, {"session_id": "MY_SESSION"}. רק זיכרונות עם אותו היקף נלקחים בחשבון לאיחוד. אם לא מציינים ערך, המערכת משתמשת ב-{"user_id": session.user_id}.

מבוסס-כיתה

from agentplatform import types

client.memory_banks.memories.generate(
  name=memory_bank.name,
  vertex_session_source=types.GenerateMemoriesRequestVertexSessionSource(
      # For example, projects/.../locations/.../reasoningEngines/.../sessions/...
      session="SESSION_NAME"
  ),
  # Optional when using Sessions. Defaults to {"user_id": session.user_id}.
  scope=SCOPE,
  config={
      "wait_for_completion": True
  }
)

אפשר גם לציין טווח תאריכים כדי לקבוע אילו אירועים בסשן ייכללו. אם לא מציינים אירועים, כל האירועים בסשן נכללים.

מילון

import datetime

client.memory_banks.memories.generate(
  name=memory_bank.name,
  vertex_session_source={
      "session": "SESSION_NAME",
      # Extract memories from the last hour of events.
      "start_time": datetime.datetime.now(tz=datetime.timezone.utc) - datetime.timedelta(seconds=24 * 60),
      "end_time": datetime.datetime.now(tz=datetime.timezone.utc)
  },
  scope=SCOPE
)

מבוסס-כיתה

import datetime

from agentplatform import types

client.memory_banks.memories.generate(
  name=memory_bank.name,
  vertex_session_source=types.GenerateMemoriesRequestVertexSessionSource(
      session="SESSION_NAME",
      # Extract memories from the last hour of events.
      start_time=datetime.datetime.now(tz=datetime.timezone.utc) - datetime.timedelta(seconds=24 * 60),
      end_time=datetime.datetime.now(tz=datetime.timezone.utc)
  ),
  scope=SCOPE
)

איחוד זיכרונות שחולצו בעבר

במקום להשתמש בתהליך החילוץ האוטומטי של Memory Bank, אתם יכולים לספק ישירות זיכרונות שחולצו מראש. זיכרונות ממקור ישיר יאוחדו עם זיכרונות קיימים באותו היקף. זה יכול להיות שימושי כשרוצים שהנציג או האדם שבתהליך יהיו אחראים על חילוץ הזיכרונות, אבל עדיין רוצים לנצל את היתרונות של איחוד הזיכרונות ב-Memory Bank כדי לוודא שאין זיכרונות כפולים או סותרים.

client.memory_banks.memories.generate(
    name=memory_bank.name,
    direct_memories_source={"direct_memories": [{"fact": "FACT"}]},
    scope=SCOPE
)

מחליפים את מה שכתוב בשדות הבאים:

  • ‫FACT: העובדה שחולצה מראש וצריך לאחד אותה עם הזיכרונות הקיימים. אפשר לספק עד 5 עובדות שחולצו מראש ברשימה כמו זו:

    {"direct_memories": [{"fact": "fact 1"}, {"fact": "fact 2"}]}
    
  • ‫SCOPE: מילון שמייצג את היקף הזיכרונות שנוצרו. לדוגמה, {"session_id": "MY_SESSION"}. רק זיכרונות עם אותו היקף נלקחים בחשבון לאיחוד.

שימוש בקלט מולטי-מודאלי

אתם יכולים לחלץ זיכרונות מקלט מולטי-מודאלי. עם זאת, הזיכרונות נשלפים רק מטקסט, מקבצים מוטבעים ומנתוני קבצים בתוכן המקור. כל תוכן אחר, כולל קריאות להפעלת פונקציות ותשובות, לא נכלל ביצירת הזיכרונות.

אפשר לחלץ זיכרונות מתמונות, מסרטונים ומאודיו שהמשתמש מספק. אם ההקשר שסופק על ידי הקלט המולטימודלי נחשב על ידי Memory Bank כמשמעותי לאינטראקציות עתידיות, יכול להיות שייווצר זיכרון טקסטואלי שכולל מידע שחולץ מהקלט. לדוגמה, אם המשתמש מספק תמונה של גולדן רטריבר עם הטקסט "זה הכלב שלי", אז Memory Bank יוצר זיכרון כמו "הכלב שלי הוא גולדן רטריבר".

לדוגמה, אתם יכולים לספק תמונה והקשר לתמונה במטען הייעודי (payload):

מילון

with open(file_name, "rb") as f:
    inline_data = f.read()

events =  [
  {
    "content": {
      "role": "user",
      "parts": [
        {"text": "This is my dog"},
        {
          "inline_data": {
            "mime_type": "image/jpeg",
            "data": inline_data
          }
        },
        {
          "file_data": {
            "file_uri": "gs://cloud-samples-data/generative-ai/image/dog.jpg",
            "mime_type": "image/jpeg"
          }
        },
      ]
    }
  }
]

מבוסס-כיתה

from google import genai
from agentplatform import types

with open(file_name, "rb") as f:
    inline_data = f.read()

events = [
  types.GenerateMemoriesRequestDirectContentsSourceEvent(
    content=genai.types.Content(
      role="user",
      parts=[
        genai.types.Part.from_text(text="This is my dog"),
        genai.types.Part.from_bytes(
          data=inline_data,
          mime_type="image/jpeg",
        ),
        genai.types.Part.from_uri(
          file_uri="gs://cloud-samples-data/generative-ai/image/dog.jpg",
          mime_type="image/jpeg",
        )
      ]
    )
  )
]

המאמרים הבאים

מדריך

איך לאחזר זיכרונות שנוצרו והועלו.

מדריך

איך מגדירים את Memory Bank.

מדריך

איך בודקים את גרסאות הזיכרון.