Mulai 29 April 2025, model Gemini 1.5 Pro dan Gemini 1.5 Flash tidak tersedia di project yang belum pernah menggunakan model ini, termasuk project baru. Untuk mengetahui detailnya, lihat Versi dan siklus proses model.
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Memory Bank Vertex AI Agent Engine memungkinkan Anda membuat memori jangka panjang secara dinamis berdasarkan percakapan pengguna dengan agen Anda. Memori jangka panjang adalah informasi yang dipersonalisasi yang dapat diakses di beberapa sesi untuk pengguna tertentu. Agen dapat menggunakan memori untuk mempersonalisasi respons kepada pengguna dan menciptakan kesinambungan lintas sesi.
Fitur Bank Memori mencakup hal berikut:
Penyimpanan persisten kenangan yang dapat diakses dari beberapa lingkungan. Anda dapat menggunakan Sesi Vertex AI Agent Engine dan Bank Memori dengan agen yang di-deploy di Vertex AI Agent Engine Runtime, dari lingkungan lokal, atau dengan opsi deployment lainnya.
Ekstraksi memori berbasis model bahasa besar (LLM) dari histori percakapan.
Kenangan dibuat secara asinkron dari jarak jauh, sehingga agen tidak perlu menunggu kenangan dibuat.
Pengambilan kenangan berbasis penelusuran kesamaan yang dicakup ke identitas (scope).
Jika Anda menggunakan Vertex AI Agent Engine Memory Bank dengan Agent Development Kit, agen Anda dapat mengorkestrasi panggilan untuk membaca dan menulis memori jangka panjang menggunakan Memory Bank.
Anda dapat menggunakan Memory Bank dengan Sesi Agent Engine Vertex AI untuk membuat kenangan dari sesi tersimpan menggunakan proses berikut:
(Sesi) CreateSession: Di awal setiap percakapan, buat sesi baru. Histori percakapan yang digunakan oleh agen dicakup ke sesi ini. Sesi berisi urutan kronologis pesan dan tindakan (SessionEvents) untuk interaksi antara pengguna dan agen Anda. Semua sesi harus memiliki ID pengguna; kenangan yang diekstrak (lihat GenerateMemories) untuk sesi ini dipetakan ke pengguna ini.
(Sesi) AppendEvent: Saat pengguna berinteraksi dengan agen, peristiwa (seperti pesan pengguna, respons agen, tindakan alat) diupload ke Sesi. Peristiwa ini mempertahankan histori percakapan dan membuat catatan percakapan yang dapat digunakan untuk menghasilkan memori.
(Sesi) ListEvents: Saat pengguna berinteraksi dengan agen, agen akan mengambil histori percakapan.
(Bank Memori) Membuat atau menghasilkan kenangan:
GenerateMemories: Pada interval tertentu (seperti di akhir setiap sesi atau di akhir setiap giliran), agen dapat memicu pembuatan memori menggunakan histori percakapan. Fakta tentang pengguna secara otomatis diekstrak dari histori percakapan sehingga tersedia untuk sesi saat ini atau mendatang.
CreateMemory: Agen Anda dapat menulis kenangan langsung ke Bank Memori. Misalnya, agen dapat memutuskan kapan memori harus ditulis dan informasi apa yang harus disimpan (memori sebagai alat). Gunakan CreateMemory jika Anda ingin agen Anda memiliki lebih banyak kontrol atas fakta yang diekstrak.
(Bank Memori) RetrieveMemories: Saat pengguna berinteraksi dengan agen Anda, agen dapat mengambil memori yang disimpan tentang pengguna tersebut. Anda dapat mengambil semua kenangan (pengambilan sederhana) atau hanya kenangan yang paling relevan dengan percakapan saat ini (pengambilan penelusuran kesamaan). Kemudian, Anda dapat menyisipkan kenangan yang diambil ke dalam perintah Anda.
Panduan Memulai
Mulai menggunakan Memory Bank dengan panduan memulai berikut:
Panduan memulai menggunakan REST API: Ikuti panduan memulai REST API untuk melakukan panggilan API langsung ke Sesi Vertex AI Agent Engine dan Bank Memori.
Selain tanggung jawab keamanan yang diuraikan dalam Tanggung jawab bersama Vertex AI, pertimbangkan risiko injeksi perintah dan peracunan memori yang dapat memengaruhi agen Anda saat menggunakan memori jangka panjang. Keracunan memori terjadi saat informasi palsu disimpan di Bank Memori. Kemudian, agen dapat beroperasi pada informasi palsu atau berbahaya ini dalam sesi mendatang.
Untuk mengurangi risiko keracunan memori, Anda dapat melakukan hal berikut:
Model Armor: Gunakan Model Armor untuk memeriksa perintah yang dikirim ke Memory Bank atau dari agen Anda.
Pengujian adversarial: Uji aplikasi LLM Anda secara proaktif untuk mengetahui kerentanan injeksi perintah dengan menyimulasikan serangan. Hal ini biasanya dikenal sebagai "red teaming".
Eksekusi sandbox: Jika agen memiliki kemampuan untuk mengeksekusi atau berinteraksi dengan sistem eksternal atau penting, tindakan ini harus dilakukan di lingkungan sandbox dengan kontrol akses yang ketat dan peninjauan manual.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Sulit dipahami","hardToUnderstand","thumb-down"],["Informasi atau kode contoh salah","incorrectInformationOrSampleCode","thumb-down"],["Informasi/contoh yang saya butuhkan tidak ada","missingTheInformationSamplesINeed","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-09-04 UTC."],[],[],null,["# Vertex AI Agent Engine Memory Bank overview\n\n| **Preview**\n|\n|\n| This feature is subject to the \"Pre-GA Offerings Terms\" in the General Service Terms section\n| of the [Service Specific Terms](/terms/service-terms#1).\n|\n| Pre-GA features are available \"as is\" and might have limited support.\n|\n| For more information, see the\n| [launch stage descriptions](/products#product-launch-stages).\n\nVertex AI Agent Engine Memory Bank lets you dynamically generate long-term memories based on users' conversations with your agent. Long-term memories are personalized information that can be accessed across multiple sessions for a particular user. The agent can use the memories to personalize responses to the user and create cross-session continuity.\n\nFeatures of Memory Bank include the following:\n\n- Persistent storage of memories that can be accessed from multiple environments. You can use Vertex AI Agent Engine Sessions and Memory Bank with your deployed agent on Vertex AI Agent Engine Runtime, from your local environment, or with other deployment options.\n\n- Large language model (LLM)-based extraction of memories from conversation history.\n\n- Memories are remotely generated asynchronously, so the agent doesn't need to wait for memories to be generated.\n\n- Similarity search-based retrieval of memories scoped to an identity ([`scope`](/vertex-ai/generative-ai/docs/agent-engine/memory-bank/fetch-memories#scope-based)).\n\n- If you use Vertex AI Agent Engine Memory Bank with Agent Development Kit, your agent can orchestrate calls to read and write long-term memories using Memory Bank.\n\nYou can use Memory Bank with Vertex AI Agent Engine Sessions to generate memories from stored sessions using the following process:\n\n1. **(Sessions) `CreateSession`** : At the start of each conversation, create a new session. The conversation history used by the agent is scoped to this session. A session contains the chronological sequence of messages and actions (`SessionEvents`) for an interaction between a user and your agent. All sessions must have a user ID; the extracted memories (see `GenerateMemories`) for this session are mapped to this user.\n\n2. **(Sessions) `AppendEvent`**: As the user interacts with the agent, events (such as user messages, agent responses, tool actions) are uploaded to Sessions. The events persist conversation history and create a record of the conversation that can be used to generate memories.\n\n3. **(Sessions) `ListEvents`**: As the user interacts with the agent, the agent retrieves the conversation history.\n\n4. **(Memory Bank)** Generate or create memories:\n\n - **`GenerateMemories`**: At a specified interval (such as the end of every session or the end of every turn), the agent can trigger memories to be generated using conversation history. Facts about the user are automatically extracted from the conversation history so that they're available for current or future sessions.\n\n - **`CreateMemory`** : Your agent can write memories directly to Memory Bank. For example, the agent can decide when a memory should be written and what information should be saved (memory-as-a-tool). Use `CreateMemory` when you want your agent to have more control over what facts are extracted.\n\n5. **(Memory Bank) `RetrieveMemories`**: As the user interacts with your agent, the agent can retrieve memories saved about that user. You can either retrieve all memories (simple retrieval) or only the most relevant memories to the current conversation (similarity search retrieval). Then you can insert the retrieved memories into your prompt.\n\nQuickstarts\n-----------\n\nGet started with Memory Bank using the following quickstarts:\n\n- [**Quickstart using REST API**](/vertex-ai/generative-ai/docs/agent-engine/memory-bank/quickstart-api): Follow the REST API quickstart to make API calls directly to Vertex AI Agent Engine Sessions and Memory Bank.\n\n- [**Quickstart using Agent Development Kit (ADK)**](/vertex-ai/generative-ai/docs/agent-engine/memory-bank/quickstart-adk): Follow the Agent Development Kit (ADK) quickstart if you want your ADK agent to orchestrate calls to Vertex AI Agent Engine Sessions and Memory Bank for you.\n\nSecurity risks of prompt injection\n----------------------------------\n\nIn addition to the security responsibilities outlined in [Vertex AI shared responsibility](/vertex-ai/docs/shared-responsibility), consider the risk of prompt injection and memory poisoning that can affect your agent when using long-term memories. Memory poisoning occurs when false information is stored in Memory Bank. The agent may then operate on this false or malicious information in future sessions.\n\nTo mitigate the risk of memory poisoning, you can do the following:\n\n- **Model Armor** : Use [Model Armor](/security-command-center/docs/model-armor-overview) to inspect prompts being sent to Memory Bank or from your agent.\n\n- **Adversarial testing**: Proactively test your LLM application for prompt injection vulnerabilities by simulating attacks. This is typically known as \"red teaming.\"\n\n- **Sandbox execution**: If the agent has the ability to execute or interact with external or critical systems, these actions should be performed in a sandboxed environment with strict access control and human review.\n\nFor more information, see [Google's Approach for Secure AI Agents](https://research.google/pubs/an-introduction-to-googles-approach-for-secure-ai-agents/).\n\nWhat's next\n-----------\n\n- [Set up Memory Bank](/vertex-ai/generative-ai/docs/agent-engine/memory-bank/set-up).\n- [Quickstart with Agent Development Kit](/vertex-ai/generative-ai/docs//agent-engine/memory-bank/quickstart-adk).\n- [Quickstart with Vertex AI Agent Engine SDK](/vertex-ai/generative-ai/docs//agent-engine/memory-bank/quickstart-api)."]]
