后端人工智能AI Agent【免费下载链接】aegraOpen source alternative to LangGraph Platform (now LangSmith Deployments) - Self-hosted AI agent backend with FastAPI and PostgreSQL. Zero vendor lock-in, full control over your agent infrastructure.项目地址https://gitcode.com/gh_mirrors/ae/aegra点击查看免费下载Aegra 是一款自托管的开源 AI Agent 后端它的语义存储Semantic Store功能基于 PostgreSQL 的 pgvector 扩展实现向量检索让 AI Agent 能够按含义存取数据——这正是构建 Agent 长期记忆、RAG 知识库与个性化记忆的关键能力。本文将带你从零配置 Aegra 语义存储掌握向量检索的完整玩法。为什么 AI Agent 需要长期记忆默认情况下AI Agent 的每次运行都是失忆的对话结束后它记不住用户的偏好也查不到上次保存的知识。Aegra 的 Store API 为 Agent 提供了跨运行across runs的持久化存储分为两层能力键值存储开箱即用无需任何配置适合存用户偏好、对话摘要等结构化数据语义存储配置向量嵌入后存储自动为数据生成 embedding支持按语义相似度检索官方语义存储指南见 docs/guides/semantic-store.mdx完整的 Store 文档见 docs/guides/store.mdx。三大典型应用场景对话记忆—— Agent 语义化地回忆过往交互内容而不依赖精确关键词匹配RAG 应用—— 把知识文档存入 Store按语义相似度召回最相关的片段个性化—— 记住用户的偏好如代码风格、界面主题在合适时上下文式地取回一键开启在 aegra.json 中配置向量索引开启语义存储只需在 aegra.json 中添加一个store.index配置段{ store: { index: { dims: 1536, embed: openai:text-embedding-3-small, fields: [$] } } }三个参数分别是什么参数说明示例dims向量维度必须与嵌入模型的输出维度精确一致1536embed嵌入模型格式为provider:model-idopenai:text-embedding-3-smallfields对数据的哪些字段做嵌入默认[$]表示整个文档[text, summary]配置定义见 config.py。字段嵌入小技巧fields支持 JSON 路径写法。比如[metadata.title, content.text]表示只对标题和内容文本生成向量检索时会更聚焦于正文语义。缺少指定字段的数据仍会被正常存储只是不生成对应向量。4 种主流嵌入模型怎么选embed支持provider:model-id格式按第一个冒号拆分 provider官方推荐以下组合Provider模型向量维度配置值OpenAItext-embedding-3-small1536openai:text-embedding-3-smallOpenAItext-embedding-3-large3072openai:text-embedding-3-largeAWS Bedrockamazon.titan-embed-text-v2:01024bedrock:amazon.titan-embed-text-v2:0Cohereembed-english-v3.01024cohere:embed-english-v3.0选定模型后把对应的 API Key 写入.env即可如OPENAI_API_KEYsk-...、COHERE_API_KEY...。选型建议个人项目优先text-embedding-3-small1536 维、成本低、效果好对检索精度要求更高或数据量大时可升级text-embedding-3-large已在 AWS 生态内的团队选 Bedrock免跨境调用。存一次按语义召回写入与检索写入一条用户偏好await client.store.put_item( namespace[user, 123, preferences], keycoding_style, value{ text: I prefer clean code with descriptive variable names }, )数据落库的同时Aegra 会自动调用嵌入模型生成向量——你不需要写任何向量代码。用自然语言按含义搜索results await client.store.search_items( namespace_prefix[user, 123], queryHow does this user like to write code?, limit5, )注意查询里没有任何与 clean code 重叠的关键词但语义检索依然能命中上面那条偏好记录。这就是向量检索相对关键词匹配的质变。Store 的 HTTP 接口实现位于 api/store.py写入、读取、删除、搜索、列举命名空间五大操作一应俱全。命名空间多租户记忆隔离命名空间namespace像目录路径一样组织数据[users, alice, preferences] → Alice 的偏好 [users, alice, conversations] → Alice 的对话记忆所有操作默认被自动限制在当前认证用户的[users, user_id]命名空间下用户之间无法越权读取彼此的长期记忆。对于团队协作场景还可通过 store.scopes 把orgs前缀映射到org_id实现组织级共享知识库。在 Graph 节点中使用 Store让记忆真正活起来在 LangGraph 图graph中store参数会被自动注入到节点函数Agent 可以在推理过程中随时读写长期记忆def my_node(state, *, store: BaseStore): # 读取该用户的历史偏好 items store.search((users, state[user_id], preferences)) # 记录本次查询沉淀为新的记忆 store.put((users, state[user_id], history), keylast_query, value{q: state[query]}) return {preferences: items[0].value if items else {}}通过 API 存入的数据图内可见图内写入的数据也可通过 API 检索——两侧完全互通。环境准备与常见问题数据库要求语义存储要求 PostgreSQL 启用 pgvector 扩展Aegra 官方 Compose 文件已默认使用推荐镜像见 docker-compose.ymlpostgres: image: pgvector/pgvector:pg18启动时 Aegra 会自动建表并创建向量索引无需手动执行 SQL。启动验证配置生效后启动日志中会出现INFO: Semantic store enabled with embeddings: openai:text-embedding-3-small看到这一行说明向量检索已就绪。常见问题速查pgvector extension not found—— 请确认 PostgreSQL 镜像为pgvector/pgvector:pg18而非原生 postgres 镜像Invalid embedding model—— 检查embed是否符合provider:model-id格式且对应 API Key 已写入.envDimension mismatch——dims必须与模型输出维度精确一致例如text-embedding-3-small输出 1536 维配置成别的值会报错兼容性说明未提供store.index配置时Aegra 保持基础键值模式运行存量部署无需任何改动即可平滑升级。小结能力配置成本适合场景键值 Store零配置用户偏好、简单状态持久化语义 Store一段 JSON 配置对话记忆、RAG、个性化召回Aegra 语义存储把向量数据库的复杂度封装在配置之后一次dimsembed声明Agent 就拥有了按含义存取数据的长期记忆能力且完全自托管、零厂商锁定。赞分享后端人工智能AI Agent【免费下载链接】aegraOpen source alternative to LangGraph Platform (now LangSmith Deployments) - Self-hosted AI agent backend with FastAPI and PostgreSQL. Zero vendor lock-in, full control over your agent infrastructure.项目地址https://gitcode.com/gh_mirrors/ae/aegra点击查看免费下载相关推荐用 PostgresML 为 Auto-GPT 构建记忆后端向量存储与语义检索实战用 PostgresML 为 Auto GPT 构建记忆后端向量存储与语义检索实战 Auto GPT 是依赖 GPT 4 与外部软件和服务交互的开源自主 AI后端人工智能机器学习RAG向量数据库AI Agent 记忆系统Memory Systems完全指南从短期上下文到长期向量存储的架构设计AI Agent 记忆系统Memory Systems完全指南从短期上下文到长期向量存储的架构设计 Agent 记忆系统是让 AI Agent 跨交互保留文档教程知识库AgentDB 记忆模式实战为 AI Agent 构建会话记忆、长期存储与模式学习能力AgentDB 记忆模式实战为 AI Agent 构建会话记忆、长期存储与模式学习能力 导读 本文围绕 RuView 仓库内置的 .claude/skills人工智能计算机视觉物联网智能家居后端嵌入式创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考