产品 Databricks Blog·原文 2026年10月21日

Databricks在Agent Bricks上线Agent Memory测试版

Databricks称，Agent Memory以Beta版在Agent Bricks提供，运行于Lakebase，基于其MemCurrent架构，可保存事实、偏好与工作流。公司内部基准称该架构使智能体任务通过率提升至约三倍，token用量减少 31%。

AI解读：按公司说法，它通过存储智能体应记住的关键事实、用户偏好和工作流，提升智能体质量并降低成本和延迟。

该功能运行在Databricks的无服务器Postgres服务Lakebase上，由Databricks在工作区中预置和运维。其设计基于Databricks研究的MemCurrent架构，包含自动记录与加载上下文的插件、智能体按需调用的工具，以及后台整合记忆的流水线。

Databricks称，在内部基准测试中，采用该记忆架构的智能体在真实企业任务上的通过率提高到三倍，同时token用量减少 31%。这组数据来自公司内部评测，并非第三方独立验证。

官方博客举出一个研究中的会话例子：无记忆智能体回答某产品最大客户的问题用了 11 次工具调用、8 个子智能体和近 6 分钟；工作流存入记忆后，相关追问用 2 次工具调用、41 秒完成。

记忆与会话数据存放在用户自己的Lakebase项目中，不绑定单一智能体框架。开发者可以读取、导出和删除智能体对每个用户保留的条目，并可给记忆流水线下达保留或忽略哪些内容的指令。

Databricks今日宣布在智能体开发平台Agent Bricks上推出Agent Memory，目前为Beta版。该功能用于存储智能体应记住的事实、偏好和工作流，运行在Databricks的无服务器Postgres服务Lakebase上。

Databricks表示，Agent Memory是其研究架构MemCurrent的生产实现，目的是让智能体在跨会话时保留信息，同时减少重复推导带来的token消耗和延迟。

记忆如何接入智能体

按Databricks博客的描述，Agent Memory由三部分组成：托管会话按智能体所用框架的原生格式，记录消息、工具调用和结果的顺序历史；托管记忆保存用户画像、偏好、领域知识和工作流；记忆流水线在后台按需或定期把会话提炼为长期记忆。

会话开始时，智能体会加载已知记忆的索引；会话过程中，它通过关键词与语义混合检索查找细节。后台流水线负责提取持久事实、去重，并用更新的对话替换已被推翻的旧事实。

Databricks称全部组件运行在Lakebase上，以提供低延迟的记忆存取，并随智能体流量扩展。

Databricks在博客中称，在其内部基准测试中，采用该记忆架构的智能体在真实企业任务上的通过率提高到约三倍，完成更快，token用量更少，具体为token减少 31%。这些数字来自Databricks自己的评测，博客未披露基准任务的具体构成和评测方法。

博客还引用一个研究中的会话案例：无记忆状态下，智能体回答某产品最大客户的问题用了 11 次工具调用、8 个子智能体和近 6 分钟；工作流存入记忆后，相关追问用 2 次工具调用、41 秒完成。Databricks称，同一套记忆基础设施也已用于其面向业务用户的自然语言产品Genie。

Databricks表示，会话和记忆存放在用户自己的Lakebase项目中，独立于单一智能体框架。开发者可以读取、导出和删除智能体对每个用户保留的条目，也可以给记忆流水线下达指令，例如保留长期客户偏好、忽略一次性调试笔记。

部署方面，Databricks称Agent Bricks CLI可帮助在数分钟内部署带记忆和会话的智能体，现有智能体也可按文档添加记忆功能，不需要用户侧新建基础设施。