Databricks 在 Agent Bricks 推出 Agent Memory:会话史与长期记忆蒸馏
Databricks 为 Agent Bricks 推出 Agent Memory(Beta):托管会话与长期记忆,后台流水线提炼可复用事实,由 Lakebase 低延迟读写;内部企业数据任务基准称通过率约提升至三倍且 token 少约 31%。
Databricks 宣布在 Agent Bricks 上线 Agent Memory(目前为 Beta)。目标很直接:让智能体不必在每个新会话里重新学习同一批事实、偏好与流程。
按官方说明,能力拆成三块:托管 session 记录对话、工具调用与结果;托管 memory 存放值得长期保留的内容;后台 memory pipeline 从会话中抽取耐久事实、去重,并用更新的对话覆盖已被推翻的旧信息。存储与检索落在 Lakebase(其 serverless Postgres)上,以压低延迟并随流量扩缩。
官方在企业内部数据任务基准中称,相对无记忆智能体,该架构把通过率提高到约三倍,同时少用约 31% token。公开博文还提到 MemCurrent 研究脉络:插件自动记日志、按需工具读写、离线 consolidation。开发者可用 Agent Bricks CLI 初始化带记忆的样例,或把已有 memory/session store 绑定到智能体;会话与记忆落在工作区 Lakebase 项目中,可导出与删除。
对企业数据团队而言,这意味着「智能体质量」不再只拼提示词,而要同时设计记忆范围、冲突更新与治理。数字来自 Databricks 自述,尚未见独立复现;是否适合高合规场景,仍取决于数据驻留与访问控制配置。
flowchart LR
A[会话 Session] --> B[Memory Pipeline]
B --> C[长期 Memory]
C --> D[新会话召回]
A --> E[Lakebase]
C --> E
Databricks Agent Memory on Agent Bricks
Agents shouldn't have to relearn the same facts every session.
Agent Memory on Agent Bricks combines session history with distilled long-term memories. A background pipeline extracts durable facts, removes duplicates, and replaces information contradicted by newer conversations. Lakebase provides low-latency access.
In our internal benchmarks of enterprise data tasks, this memory architecture tripled agent pass rates while using 31% fewer tokens compared to agents without memory.