agentdb-memory-patterns

Umożliwia agentom AI pamiętanie konwersacji i uczenie się z doświadczeń dzięki trwałemu przechowywaniu danych w AgentDB. Zintegruj wzorce pamięci sesyjnej, długoterminowego przechowywania i zarządzania kontekstem w swoich asystentach i systemach czatowych. Rozwiązanie jest 150–12 500 razy szybsze niż tradycyjne podejścia, z pełną kompatybilnością wsteczną.

1. Zainstaluj Node.js w wersji 18 lub wyższej oraz AgentDB v1.0.7+. Upewnij się, że masz dostęp do narzędzia wiersza poleceń npx.

2. Zainicjuj bazę danych wektorową, uruchamiając npx agentdb@latest init ./agents.db. Jeśli chcesz testować w pamięci bez zapisywania na dysku, użyj flagi --in-memory. Dla większych projektów możesz określić wymiary wektora za pomocą --dimension 768 lub wybrać preset --preset large.

3. Uruchom serwer MCP (Model Context Protocol) poleceniem npx agentdb@latest mcp. Serwer integruje się z Claude Code i umożliwia agentom dostęp do funkcji pamięci.

4. Dodaj AgentDB do Claude Code jednorazowo za pomocą claude mcp add agentdb npx agentdb@latest mcp. Ta konfiguracja pozwala agentom korzystać z trwałego przechowywania bez dodatkowych kroków.

5. Utwórz plugin uczenia się dla swojego agenta, uruchamiając npx agentdb@latest create-plugin. Kreator interaktywny poprowadzi Cię przez wybór algorytmu — dostępne są szablony dla decision-transformer (modelowanie sekwencji), q-learning (uczenie oparte na wartościach), sarsa (uczenie czasowe), actor-critic (gradienty polityki) i curiosity-driven (eksploracja).

6. Zintegruj adapter AgentDB w kodzie TypeScript, importując createAgentDBAdapter z agentic-flow/reasoningbank i inicjując go ze ścieżką do bazy danych. Agent będzie teraz pamiętać rozmowy i ulepszać się na podstawie interakcji między sesjami.