기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

에이전트 메모리의 벡터 저장소로 ElastiCache for Valkey 설정

다음 연습에서는 ElastiCache for Valkey와 함께 Mem0을 벡터 스토어로 사용하여 메모리 지원 AI 에이전트를 빌드하는 방법을 보여줍니다.

1단계: 메모리 없이 기본 에이전트 생성

먼저 Strands 에이전트를 설치하고 기본 에이전트를 생성합니다.

pip install strands-agents strands-agents-tools strands-agents-builder

웹 브라우징을 위한 HTTP 도구를 사용하여 기본 에이전트를 초기화합니다.

from strands import Agent
from strands.tools import http_request

# Initialize agent with access to the tool to browse the web
agent = Agent(tools=[http_request])

# Format messages as expected by Strands
formatted_messages = [
    {
        "role": "user",
        "content": [{"text": "What is the URL for the project mem0 and its most important metrics?"}]
    }
]

result = agent(formatted_messages)

메모리가 없으면 에이전트는 각 요청에 대해 동일한 조사 작업을 반복적으로 수행합니다. 테스트에서 에이전트는 약 70,000개의 토큰을 사용하고 완료하는 데 9초 이상 걸리는 세 개의 도구 호출을 수행하여 요청에 응답합니다.

2단계: Valkey용 ElastiCache를 사용하여 Mem0 구성

Valkey 벡터 스토어 커넥터를 사용하여 Mem0 라이브러리를 설치합니다.

pip install mem0ai "mem0ai[vector_stores]"

Valkey를 벡터 저장소로 구성합니다. ElastiCache for Valkey는 버전 8.2부터 벡터 검색 기능을 지원합니다.

from mem0 import Memory

# Configure Mem0 with ElastiCache for Valkey
config = {
    "vector_store": {
        "provider": "valkey",
        "config": {
            "valkey_url": "your-elasticache-cluster.cache.amazonaws.com:6379",
            "index_name": "agent_memory",
            "embedding_model_dims": 1024,
            "index_type": "flat"
        }
    }
}

m = Memory.from_config(config)

your-elasticache-cluster.cache.amazonaws.com ElastiCache 클러스터의 엔드포인트로 바꿉니다. 클러스터 엔드포인트를 찾는 방법에 대한 지침은 ElastiCache 클러스터 액세스를 참조하세요.

3단계: 에이전트에 메모리 도구 추가

에이전트가 정보를 저장하고 검색하는 데 사용할 수 있는 메모리 도구를 생성합니다. @tool 데코레이터는 일반 Python 함수를 에이전트가 호출할 수 있는 도구로 변환합니다.

from strands import Agent, tool
from strands.tools import http_request

@tool
def store_memory_tool(information: str, user_id: str = "user") -> str:
    """Store important information in long-term memory."""
    memory_message = [{"role": "user", "content": information}]

    # Create new memories using Mem0 and store them in Valkey
    m.add(memory_message, user_id=user_id)

    return f"Stored: {information}"

@tool
def search_memory_tool(query: str, user_id: str = "user") -> str:
    """Search stored memories for relevant information."""

    # Search memories using Mem0 stored in Valkey
    results = m.search(query, user_id=user_id)
    if results['results']:
        return "\n".join([r['memory'] for r in results['results']])
    return "No memories found"

# Initialize Strands agent with memory tools
agent = Agent(tools=[http_request, store_memory_tool, search_memory_tool])

4단계: 메모리 지원 에이전트 테스트

메모리가 활성화되면 에이전트는 상호 작용의 정보를 저장하고 후속 요청에서 검색합니다.

# First request - agent searches the web and stores results in memory
formatted_messages = [
    {
        "role": "user",
        "content": [{"text": "What is the URL for the project mem0 and its most important metrics?"}]
    }
]
result = agent(formatted_messages)

# Second request (same question) - agent retrieves from memory
result = agent(formatted_messages)

두 번째 요청에서 에이전트는 웹 도구 호출 대신 메모리에서 정보를 검색합니다. 테스트에서 토큰 사용량을 약 70,000에서 6,300으로 줄이고(12배 감소) 응답 시간을 9.25초에서 2초로 개선했습니다(3배 이상 빠름).

후드 아래에서 작동하는 방식

다음 표에는 Mem0이 ElastiCache를 사용하여 에이전트 메모리를 구현하는 데 내부적으로 사용하는 Valkey 명령이 나와 있습니다. Mem0은 API를 통해 이러한 명령을 추상화합니다. 정확한 스키마 및 키 이름 지정은 Mem0 버전 및 구성에 따라 다를 수 있습니다.