使用Microsoft Agent Framework链接外部存储资源
💡
原文中文，约5600字，阅读约需14分钟。
📝
内容提要
在构建生成式AI应用时，记忆管理是一个关键挑战。仅依靠内存存储聊天记录不足，需借助外部存储（如向量数据库、Redis等）。通过实现自定义的ChatMessageStore，可以将AI的记忆托管到外部存储，从而提升应用的健壮性和扩展性。
🎯
关键要点
- 构建生成式AI应用时，记忆管理是关键挑战。
- 简单的Demo中，聊天记录存储在内存中，但在生产环境中不够用。
- 需要将记忆托管到外部存储，如向量数据库、Redis等。
- 通过实现自定义的ChatMessageStore，可以将AI的记忆托管到外部存储。
- 使用Microsoft Agent Framework演示如何实现自定义的ChatMessageStore。
- 示例中使用InMemory VectorStore，仅用于演示，实际可替换为任意数据库。
- 创建Agent时，通过ChatMessageStoreFactory参数指定消息存储器。
- 实现VectorChatMessageStore以处理存储逻辑，包括添加和获取消息。
- 通过解耦计算与存储，使AI应用更健壮和可扩展。
- 轻量化设计，前端只需保存一个小的Thread ID，便于云原生服务的水平扩展。
❓
延伸问答
在构建生成式AI应用时，记忆管理面临哪些挑战？
记忆管理面临的挑战包括服务器重启导致数据丢失、负载均衡造成上下文无法共享、用户刷新浏览器后会丢失会话等。
如何将AI的记忆托管到外部存储？
可以通过实现自定义的ChatMessageStore，将AI的记忆托管到外部存储，如向量数据库或Redis等。
Microsoft Agent Framework如何实现自定义的ChatMessageStore？
在创建Agent时，通过ChatMessageStoreFactory参数指定消息存储器，从而实现自定义的ChatMessageStore。
使用VectorChatMessageStore的主要功能是什么？
VectorChatMessageStore主要用于处理存储逻辑，包括添加和获取消息，并支持序列化线程状态。
在生成式AI应用中，为什么需要使用外部存储而不是内存？
因为内存存储在生产环境中不够用，容易导致数据丢失和上下文无法共享，而外部存储可以持久化数据。
如何实现消息的添加和获取逻辑？
通过重写AddMessagesAsync和GetMessagesAsync方法，直接与外部存储交互，实现消息的添加和获取。
➡️
