甲骨文公司（Oracle）近日發布了其 Oracle AI Agent Memory 的重大更新，並宣布 Oracle AI Database Vector Store Connector 現已支援 Microsoft Agent Framework。這些進展將賦能企業 IT 管理者與資料科學家，在建構與部署人工智慧（AI）智慧體時，擁有更強大的記憶管理、更精準的資訊檢索能力，並能與微軟生態系進行更緊密的整合。

Oracle AI Agent Memory 提供一個以資料庫為基礎的記憶層，協助應用程式在 Oracle AI Database 中儲存訊息、記錄、持久記憶、摘要及供 Prompt 使用的上下文。此次更新聚焦於多項實用改進，旨在優化記憶工作流程、透過混合搜尋強化資訊檢索，並提升對資料儲存、檢索、更新及注入智慧體上下文的控制。甲骨文公司指出，記憶不再僅是進階聊天機器人的次要功能，在企業級智慧體系統中，記憶已成為應用程式架構的核心組件。

其中的主要功能提升包括：

• 客製化提取 (Custom Extraction) ：開發者可精確指導哪些資訊應被保留為持久記憶，避免儲存冗餘或不相關的對話細節。這有助於智慧體（能夠自主執行任務的軟體）僅記住對未來互動有用的關鍵事實。
• 混合搜尋 (Hybrid Search) ：結合語義相似性與精確文字匹配，提升資訊檢索的精準度。例如，當需要搜尋產品 SKU、發票號碼或錯誤代碼等識別符時，混合搜尋能同時利用文字比對與語義理解，確保無論是自然語言提問或精確代碼，都能有效檢索。
• 上下文卡片 (Context Cards) ：可將冗長的對話壓縮成精簡、隨時可用於 Prompt 的短期上下文，包含對話摘要、檢索主題、相關記憶及最新訊息。這讓智慧體能持續對話而無需重播完整的文字記錄，有效降低成本並提升效率。
• 中繼資料篩選與更新 API (Metadata Filtering and Update APIs) ：提供更精細的記憶範圍控制、檢索邊界及生命週期管理功能。應用程式可根據租戶、來源、標籤或工作流程狀態來篩選記憶，並隨應用程式狀態變化更新既有對話、訊息或記憶記錄。
• 時間自動清除 (Time-to-live, TTL) 支援 ：允許應用程式設定訊息和記憶記錄的保留期限，例如暫時性任務狀態或不應長期影響未來智慧體行為的資訊，過期記錄會自動從查詢結果中排除。
• OracleDBEmbedder 與分塊語義索引 (Chunked Semantic Indexing) ：優化資料庫支援的檢索與索引工作流程，尤其是在處理大型文字內容時，能有效管理並索引分塊的搜尋文字，同時保留邏輯記憶記錄。

與此同時，甲骨文公司也宣布 Oracle AI Database Vector Store Connector（Oracle.VectorData）現已支援 Microsoft Agent Framework 1.7 或更高版本。這項整合讓 .NET框架開發者能將 Oracle AI Database 作為向量資料庫（vector store），在其中執行語義搜尋（semantic search）、進行檢索增強生成（RAG），並管理（建立、讀取、更新、刪除）向量。

Microsoft Agent Framework 是微軟（Microsoft）為建構、編排及部署 AI 智慧體與多智慧體工作流程所設計的 SDK 與運行環境。透過 Oracle AI Database Vector Store Connector，.NET 應用程式可利用 Oracle AI Database 原生的 AI 功能，結合 Microsoft Agent Framework、.NET vectors 和 Semantic Kernel，開發出企業級的智慧體應用、大型語言模型（Large Language Model, LLM）應用程式及模型上下文協定（Model Context Protocol, MCP）解決方案。這意味著開發者可將 Oracle 資料庫中現有的資料、向量和向量索引，無縫整合至 Microsoft Agent Framework 服務中，實現更精確且資料基礎更紮實的 AI 工作流程。

整體而言，這些更新使 Oracle AI Agent Memory 更易於整合到需要記憶更新、篩選、稽核及長期運作的生產工作流程中。隨著智慧體工作流程變得更加複雜且具狀態化，記憶已成為應用程式架構不可或缺的一部分。甲骨文公司的這些進展，為企業建構具備持久記憶、高效檢索與精準上下文理解能力的 AI 智慧體，奠定了堅實的基礎。