의미적 회상

그만큼SemanticRecall는하이브리드 프로세서벡터 임베딩을 사용하여 대화 기록에 대한 의미 검색을 가능하게 합니다. 입력 시 의미론적 검색을 수행하여 관련 역사적 메시지를 찾습니다. 출력 시에는 향후 의미 검색이 가능하도록 새 메시지에 대한 임베딩을 생성합니다.

사용예

import { SemanticRecall } from '@mastra/core/processors'
import { openai } from '@ai-sdk/openai'

const processor = new SemanticRecall({
  storage: memoryStorage,
  vector: vectorStore,
  embedder: openai.embedding('text-embedding-3-small'),
  topK: 5,
  messageRange: 2,
  scope: 'resource',
})

생성자 매개변수

options:

SemanticRecallOptions

의미론적 회상 프로세서의 구성 옵션

SemanticRecallOptions

storage:

MemoryStorage

메시지를 가져올 스토리지 인스턴스

vector:

MastraVector

의미론적 검색을 위한 벡터 저장소

embedder:

MastraEmbeddingModel<string>

쿼리 임베딩을 생성하는 임베더

topK?:

number

가장 유사한 메시지 중 가져올 개수

messageRange?:

number | { before: number; after: number }

각 일치 항목 전후에 포함할 컨텍스트 메시지 수. 단일 숫자(양쪽에 동일하게 적용) 또는 별도 값을 가진 객체를 사용할 수 있습니다

scope?:

'thread' | 'resource'

의미론적 검색의 범위. 'thread'는 현재 스레드 내에서만 검색합니다. 'resource'는 해당 리소스의 모든 스레드를 검색합니다

threshold?:

number

최소 유사도 점수 임곗값(0~1). 이 임곗값보다 낮은 메시지는 필터링됩니다

indexName?:

string

벡터 저장소의 인덱스 이름. 제공하지 않으면 임베더 Model을 기반으로 자동 생성됩니다

logger?:

IMastraLogger

구조화된 로깅을 위한 선택적 로거 인스턴스

보고

id:

string

'semantic-recall'로 설정된 프로세서 식별자

name:

string

'SemanticRecall'로 설정된 프로세서 표시 이름

processInput:

(args: { messages: MastraDBMessage[]; messageList: MessageList; abort: (reason?: string) => never; tracingContext?: TracingContext; requestContext?: RequestContext }) => Promise<MessageList | MastraDBMessage[]>

과거 메시지를 의미론적으로 검색하고 관련 컨텍스트를 메시지 목록에 추가합니다

processOutputResult:

(args: { messages: MastraDBMessage[]; messageList?: MessageList; abort: (reason?: string) => never; tracingContext?: TracingContext; requestContext?: RequestContext }) => Promise<MessageList | MastraDBMessage[]>

향후 의미론적 검색을 사용할 수 있도록 새 메시지의 임베딩을 생성합니다

확장된 사용 예

src/mastra/agents/semantic-memory-agent.ts

import { Agent } from '@mastra/core/agent'
import { SemanticRecall, MessageHistory } from '@mastra/core/processors'
import { PostgresStorage } from '@mastra/pg'
import { PgVector } from '@mastra/pg'
import { openai } from '@ai-sdk/openai'

const storage = new PostgresStorage({
  id: 'pg-storage',
  connectionString: process.env.DATABASE_URL,
})

const vector = new PgVector({
  id: 'pg-vector',
  connectionString: process.env.DATABASE_URL,
})

const semanticRecall = new SemanticRecall({
  storage,
  vector,
  embedder: openai.embedding('text-embedding-3-small'),
  topK: 5,
  messageRange: { before: 2, after: 1 },
  scope: 'resource',
  threshold: 0.7,
})

export const agent = new Agent({
  id: 'semantic-memory-agent',
  name: 'semantic-memory-agent',
  instructions: 'You are a helpful assistant with semantic memory recall',
  model: 'openai/gpt-5.6-sol',
  inputProcessors: [semanticRecall, new MessageHistory({ storage, lastMessages: 50 })],
  outputProcessors: [semanticRecall, new MessageHistory({ storage })],
})

행동

입력 처리

1. 마지막 사용자 메시지에서 사용자 쿼리를 추출합니다.
2. 쿼리의 임베딩을 생성합니다.
3. 의미론적으로 유사한 메시지를 찾기 위해 벡터 검색을 수행합니다.
4. messageRange에 따라 주변 컨텍스트와 함께 일치하는 메시지를 가져옵니다.
5. scope: 'resource'인 경우 스레드 간 메시지를 타임스탬프가 포함된 시스템 메시지로 구성합니다.
6. 가져온 메시지를 source: 'memory' 태그와 함께 추가합니다.

출력 처리

1. 새로운 사용자 및 보조자 메시지에서 텍스트 콘텐츠를 추출합니다.
2. 각 메시지에 대한 임베딩을 생성합니다.
3. 메타데이터(메시지 ID, 스레드 ID, 리소스 ID, 역할, 콘텐츠, 타임스탬프)와 함께 벡터 저장소에 임베딩을 저장합니다.
4. 중복 API 호출을 방지하기 위해 임베딩에 LRU 캐싱을 사용합니다.

크로스 스레드 리콜

scope를 'resource'로 설정하면 프로세서가 다른 스레드의 메시지를 회상할 수 있습니다. 이러한 스레드 간 메시지는 대화가 언제 어디서 이루어졌는지에 관한 컨텍스트를 제공하도록 타임스탬프와 대화 레이블이 포함된 시스템 메시지로 구성됩니다.

관련된

• 난간