长期记忆包含有关智能体当前情况的上下文信息，而长期记忆则存储智能体过去的行为和想法，可以根据当前事件进行检索。

长期记忆类似外部向量存储，智能体可以根据需要快速查询和检索。

在DB-GPT中，长期记忆默认存储在向量数据库中。

使用长期记忆

为使用长期记忆，你需要提供向量存储

准备Embedding模型

首先，需要准备一个Embedding模型，用于将文本转化为向量。 可以通过如下的文档进行准备: 准备Embedding模型

下面是使用OpenAI Embedding模型的样例

import os
from dbgpt.rag.embedding import DefaultEmbeddingFactory
api_url = os.getenv("OPENAI_API_BASE", "https://api.openai.com/v1") + "/embeddings"
api_key = os.getenv("OPENAI_API_KEY")
embeddings = DefaultEmbeddingFactory.openai(api_url=api_url, api_key=api_key)

准备向量存储

你需要准备向量存储，我们使用ChromaStore来作为样例，通过如下命令安装chroma

pip install chromadb

import shutil
from dbgpt.storage.vector_store.chroma_store import ChromaVectorConfig, ChromaStore
# Delete old vector store directory(/tmp/tmp_ltm_vector_stor)
shutil.rmtree("/tmp/tmp_ltm_vector_store", ignore_errors=True)
vector_store = ChromaStore(
    ChromaVectorConfig(
        embedding_fn=embeddings,
        vector_store_config=ChromaVectorConfig(
            name="ltm_vector_store",
            persist_path="/tmp/tmp_ltm_vector_store",
        ),
    )
)

使用长记忆

from concurrent.futures import ThreadPoolExecutor
from dbgpt.agent import AgentMemory, LongTermMemory
# Create an agent memory, which contains a long-term memory
memory = LongTermMemory(
    executor=ThreadPoolExecutor(), vector_store=vector_store, _default_importance=0.5
)
agent_memory: AgentMemory = AgentMemory(memory=memory)

在上述代码中，_default_importance表示一个内存片段的默认重要性，因为我们直接使用LongTermMemory，所以需要设置默认的重要性。