Enterprise Platform
Ein Agent, der sich lange in Erinnerung behält
Ein Agent speichert den Zustand zwischen einzelnen Schritten, Fakten zwischen Sitzungen und unternehmensspezifisches Wissen. Integrieren Sie alle drei Komponenten in die Dateninfrastruktur, die Sie bereits nutzen.
Der Speicher ist eine bewusste Designentscheidung
Ein LLM beantwortet Ihre Anfrage und vergisst den Austausch. Was sich Ihr Agent offenbar merkt, ist das, was Ihre App gespeichert und zurückgegeben hat. „ MariaDB “ bietet zwei Arten von Speicher auf einer Plattform: den Arbeitsspeicher im ultraschnellen Cache mit TTL und den semantischen Speicher neben den Betriebsdaten in der Datenbank.
Vorteile
Warum wird der Agentenspeicher hier gespeichert?
Ein Zustand, der einen Absturz übersteht
Ein Lauf, der abstürzt, heruntergefahren wird oder auf eine manuelle Freigabe wartet, wird Stunden später an seinem letzten Checkpoint fortgesetzt – sogar auf einem anderen Worker.
Fakten, die über die Sitzung hinaus Bestand haben<br>
Das nächste Gespräch beginnt mit bereits bekannten Präferenzen und Kontodetails - so wird der Kunde nicht zweimal dasselbe gefragt.<br>
Das Wissen, über das nur Ihr Unternehmen verfügt
Ihre Preise, Richtlinien und Produktdokumentationen werden dem Agenten bei der Beantwortung angezeigt, nach Relevanz geordnet und zusammen mit den Daten gespeichert, auf die sie sich beziehen.
Eine Plattform, ein Vertrag
Beide Stores sind gemeinsam versionszertifiziert und durch einen einzigen Supportvertrag abgedeckt, sodass Sie Ihrem Produktions-Agent-Stack keinen weiteren Anbieter hinzufügen müssen.
Funktionen
Zwei Speicher, eine Plattform
Kurzzeit-Arbeitsgedächtnis
Checkpoints und der Gesprächsverlauf werden unter MariaDB GridGain gespeichert, mit Antwortzeiten im Sub-Millisekundenbereich und einer TTL, sodass eine Aufgabe einen Neustart übersteht und dort fortgesetzt wird, wo sie unterbrochen wurde.
Sitzungsübergreifender Speicher
Einstellungen und Kontodaten bleiben über eine Sitzung hinaus erhalten und werden nach Namespace und Schlüssel gespeichert, wobei der Server die Gültigkeitsdauer (TTL) automatisch durchsetzt.
Semantischer Speicher in einer Datenbank<br>
MariaDB Enterprise Server speichert Einbettungen in einer VECTOR-Spalte neben den Zeilen, die sie beschreiben, sodass eine Anweisung innerhalb einer Transaktion filtert und rangiert.
Pakete für „LangChain“ und „LangGraph“
Drei Integrationspakete implementieren die Schnittstellen für Checkpointer, Store, Chat-Verlauf und Vektorspeicher. Damit ist das Backend eine reine Konfigurationsfrage in Ihrem Code.
Ebenfalls enthalten:
Metadatenfilter in SQL
Schlüsselabfragen im Sub-Millisekundenbereich
Fortsetzung über Worker hinweg
Vom Server erzwungene TTL
Suchen Sie nach den Preisen für „ Enterprise Platform “?
Empfohlene Ressourcen
Los geht’s
Jetzt mit MariaDB loslegen
Eine Echtzeit-Datenbankplattform, auf die Sie sich verlassen können – für alles, was Sie heute betreiben, und für alles, was Sie in Zukunft entwickeln werden.
Häufig gestellte Fragen
Agenten-Gedächtnis umfasst den Zustand, die Fakten und das Wissen, die ein KI-Agent außerhalb des Sprachmodells speichert. Da das Modell jeden Austausch vergisst, speichert Ihre Anwendung, woran sich der Agent erinnern soll – und übergibt es beim nächsten Aufruf.
Das Agenten-Gedächtnis wird geteilt. Viele Nutzer, viele Sitzungen und mehrere Agenten lesen und schreiben gleichzeitig darauf. Eine Datenbank hält diese Schreibvorgänge konsistent, überdauert den Agentenprozess und gibt nur die Zeilen zurück, die eine Anfrage benötigt.
Ein Checkpointer speichert den Zustand eines Graphlaufs, damit dieser fortgesetzt werden kann. Bei „langgraph-checkpoint-gridgain “ werden die Checkpoints unter „ MariaDB “GridGain gespeichert, sodass ein Job, der zur Genehmigung angehalten wurde, später auf einem anderen Worker fortgesetzt wird.
Das Kurzzeitgedächtnis speichert den Ausführungsstatus des aktuell laufenden Auftrags. Das sitzungsübergreifende Gedächtnis speichert Informationen, die über eine einzelne Konversation hinaus Bestand haben. Das semantische Gedächtnis enthält Geschäftswissen, das der Agent nach Bedeutung statt nach Schlüsselbegriffen durchsuchen kann.
Ja. Drei Pakete implementieren die Schnittstellen des Frameworks: langchain-gridgain und langgraph-checkpoint-gridgain für MariaDB GridGain sowie langchain-mariadb für MariaDB Enterprise Server.
In „ MariaDB “ (Enterprise Server) existieren Vektor-Einbettungen parallel zu den Zeilen, die sie beschreiben. Eine einzige Anweisung filtert anhand von Metadaten und ordnet nach Bedeutung, ohne dass ein separater Vektorspeicher synchronisiert werden muss.