Varjabbli tal-Kuntest u l-Memorja tal-Aġent
F'din il-paġna
Varjabbli tal-Kuntest u l-Memorja tal-Aġent
Aġent mingħajr memorja jinsa kollox bejn is-sessjonijiet: jistaqsi għal isem il-klijent f’kull messaġġ u jibda minn ebdien f’kull dawra. Żewġ mekkaniżmi komplementari jsolvu dan. Il-varjabbli tal-kuntest jidħlu stat kondiviż fl-aġent u l-għodod tiegħu, filwaqt li l-memorja konversazzjonali iżżomm il-fil ta’ konversazzjoni b’diversi dawriet.
Varjabbli tal-Kuntest: Stat Kondiviż
L-oġġett RunContextWrapper huwa oġġett ittajpjat li jiċċirkola bejn l-aġent, l-għodod tiegħu, u l-gwardjani tiegħu (guardrails). Konkretament, tiddefinixxi dataclass li tiddeskrivi s-sessjoni—identità, karrettun, preferenzi—u kull għodda tirċevih bħala l-ewwel parametru. Fl-eżempju hawn taħt, ajouter_au_panier jikteb f’dan l-oġġett u voir_panier jaqrah lura: iż-żewġ għodod jaqsmu l-istess karrettun mingħajr ebda data li tgħaddi mill-prompt.
from dataclasses import dataclass, field
from agents import Agent, Runner, RunContextWrapper, function_tool
@dataclass
class SessionUtilisateur:
user_id: str
nom: str
email: str
panier: list[dict] = field(default_factory=list)
preferences: dict = field(default_factory=dict)
@function_tool
def ajouter_au_panier(
ctx: RunContextWrapper[SessionUtilisateur],
produit: str,
quantite: int = 1,
) -> str:
"""Adds a product to the user's cart."""
ctx.context.panier.append({"produit": produit, "quantite": quantite})
total = len(ctx.context.panier)
return f"{produit} (x{quantite}) added to cart. Total: {total} item(s)."
@function_tool
def voir_panier(ctx: RunContextWrapper[SessionUtilisateur]) -> str:
"""Displays the cart contents."""
if not ctx.context.panier:
return "Your cart is empty."
lignes = [f"- {item['produit']} x{item['quantite']}" for item in ctx.context.panier]
return f"Cart for {ctx.context.nom}:\n" + "\n".join(lignes)
agent = Agent(
name="Shop Agent",
instructions="You help customers with their shopping.",
tools=[ajouter_au_panier, voir_panier],
model="gpt-5.6-terra",
)
session = SessionUtilisateur(
user_id="usr_789",
nom="Marie Dupont",
email="[email protected]",
)
# Context is shared across all tools
result = Runner.run_sync(agent, "Add a laptop and two mice to my cart", context=session)
print(result.final_output)
print(f"Cart after execution: {session.panier}")
Il-kuntest huwa mutabbli: l-għodod jistgħu jimmodifikawh, u l-bidliet jibqgħu wara l-eżekuzzjoni. Dan huwa dak li jagħmel l-aħħar linja interessanti—wara run_sync, l-oġġett session tal-applikazzjoni tiegħek fih effettivament iż-żewġ oġġetti, lesti biex jintbagħtu lis-sistema tal-ordnijiet tiegħek.
Istruzzjonijiet Dinamiċi
Dan l-istat mhuwiex biss għall-għodod: jista’ jifforma wkoll l-imġiba tal-aġent. L-istruzzjonijiet jistgħu jkunu funzjoni li tirċievi l-kuntest u tibni l-prompt tas-sistema fuq it-titjira, inkluż l-isem tal-klijent u l-lingwa preferuta.
def instructions_dynamiques(ctx: RunContextWrapper[SessionUtilisateur]) -> str:
prefs = ctx.context.preferences
langue = prefs.get("langue", "français")
return f"""You are a sales assistant.
The customer's name is {ctx.context.nom}.
Their email is {ctx.context.email}.
They have {len(ctx.context.panier)} item(s) in their cart.
Communicate in {langue}."""
agent = Agent(
name="Personalized Agent",
instructions=instructions_dynamiques,
tools=[ajouter_au_panier, voir_panier],
model="gpt-5.6-terra",
)
L-istruzzjonijiet jiġu evalwati f’kull dawra taċ-ċiklu tal-aġent, u jippermettu personalizzazzjoni f’ħin reali: jekk għodda għadha kemm żiedet oġġett, id-dawra li jmiss tqis dan immedjatament fil-prompt tas-sistema.
Memorja Konversazzjonali b’Diversi Dawriet
Il-kuntest iġorr id-data, mhux id-djalogu nnifsu. Biex iżżomm konversazzjoni fuq skambji multipli, għaddi l-istoriku. Il-prinċipju jinżel għal tliet passi: iżżid il-messaġġ tal-utent, tħaddem l-aġent fuq il-lista sħiħa, imbagħad tibdel l-istoriku tiegħek b’dak irritornat mir-riżultat—inklużi messaġġi, sejħiet tal-għodod, u tweġibiet.
from agents import Agent, Runner
agent = Agent(
name="Assistant",
instructions="You are an assistant that remembers the conversation.",
model="gpt-5.6-terra",
)
historique = []
async def converser(message_utilisateur: str) -> str:
# Add the user's message to the history
historique.append({"role": "user", "content": message_utilisateur})
# Run the agent with the full history
result = await Runner.run(agent, historique)
# Save new exchanges for the next turn
historique.clear()
historique.extend(result.to_input_list())
return result.final_output
# Simulate a conversation
async def demo():
print(await converser("My name is Thomas."))
print(await converser("What is my first name?")) # The agent remembers
print(await converser("Recommend a good restaurant in Paris."))
Din il-memorja tgħix fir-RAM. Tisparixxi meta terġa’ tiddispjega s-servizz tiegħek, u tikber indefinitament jekk il-konversazzjoni ddum: żewġ limiti li għandek iżżomm f’moħħok qabel ma tmur għall-produzzjoni.
Mudell: Memorja Persistenti b’Bażi tad-Data
Għal memorja li tibqa’ ħajja wara r-ristarts, aħżen l-istoriku f’bażi tad-data. L-approċċ ippreżentat hawnhekk imur pass ‘il quddiem: minflok ma żżomm kollox, l-aġent jiddeċiedi huwa stess x’jistħoqq li jinżamm, permezz ta’ par ta’ għodod tas-salvataġġ u r-rikupru. Il-klijent jgħid “Jien allerġiku għall-karawett”, l-aġent isejjaħ sauvegarder_note, u l-informazzjoni tibqa’ disponibbli tliet ġimgħat wara.
import json
from agents import Agent, Runner, function_tool
@function_tool
async def sauvegarder_note(ctx: RunContextWrapper, cle: str, valeur: str) -> str:
"""Saves information to remember later."""
# In production: write to database
notes = ctx.context.notes
notes[cle] = valeur
return f"Note saved: {cle} = {valeur}"
@function_tool
async def recuperer_note(ctx: RunContextWrapper, cle: str) -> str:
"""Retrieves previously saved information."""
notes = ctx.context.notes
valeur = notes.get(cle)
if valeur:
return f"{cle} = {valeur}"
return f"No note found for '{cle}'"
@dataclass
class ContexteMemoire:
user_id: str
notes: dict = field(default_factory=dict)
agent = Agent(
name="Assistant with Memory",
instructions="""You are an assistant with persistent memory.
Use sauvegarder_note to retain important information
and recuperer_note to retrieve it.""",
tools=[sauvegarder_note, recuperer_note],
model="gpt-5.6-terra",
)
Kuntest vs Istruzzjonijiet: Meta Tuża X’
Dawn l-erba’ mekkaniżmi jikkoinċidu parzjalment, u l-iżball klassiku huwa li tgħaddi kollox permezz tal-istruzzjonijiet. It-tabella hawn taħt tikkondensa l-mappatura li għandek tiftakar.
| Ħtieġa | Soluzzjoni |
|---|---|
| Data tal-utent (isem, rwol) | Varjabbli tal-kuntest |
| Imġiba tal-aġent | Istruzzjonijiet (statiċi jew dinamiċi) |
| Storiku tal-konversazzjoni | result.to_input_list() |
| Memorja fit-tul | Għodod + bażi tad-data |
| Konfigurazzjoni f’ħin reali | Varjabbli tal-kuntest |
Punti Ewlenin
RunContextWrapperiġorr stat ittajpjat aċċessibbli mill-għodod kollha- Il-kuntest huwa mutabbli: l-għodod jistgħu jimmodifikawh waqt l-eżekuzzjoni
- Istruzzjonijiet dinamiċi (funzjonijiet) jadattaw għall-kuntest f’kull dawra
- L-istoriku konversazzjonali jinżamm b’
result.to_input_list() - Għal memorja persistenti, għaqqad għodod tas-salvataġġ ma’ bażi tad-data