From b2b5ec5820baed09617a9f7d90ceeec459aaff95 Mon Sep 17 00:00:00 2001 From: whtnot Date: Mon, 13 Jul 2026 17:41:26 +0800 Subject: [PATCH 1/3] [ADD|WHT]test_github_action --- packages/powermem-langchain/.gitignore | 0 packages/powermem-langchain/task.md | 123 +++++++++++++++++++++++++ 2 files changed, 123 insertions(+) create mode 100644 packages/powermem-langchain/.gitignore create mode 100644 packages/powermem-langchain/task.md diff --git a/packages/powermem-langchain/.gitignore b/packages/powermem-langchain/.gitignore new file mode 100644 index 0000000000..e69de29bb2 diff --git a/packages/powermem-langchain/task.md b/packages/powermem-langchain/task.md new file mode 100644 index 0000000000..1128cb178a --- /dev/null +++ b/packages/powermem-langchain/task.md @@ -0,0 +1,123 @@ +背景 +在面向 agent 的应用中，模型本身通常只看到当前请求和有限上下文。Memory 的作用是把用户偏好、历史事实、长期任务状态等信息保存在模型调用之外，并在后续交互中按需取回。一个可用的 memory 集成通常需要完成两件事：在生成前检索与当前输入相关的记忆，在生成后把新的交互或可沉淀的信息写回记忆系统。 +这类能力可以让 agent 在多轮或跨会话场景中表现得更连续：它不需要每次都重新询问已经明确的偏好，也可以围绕用户长期目标、项目背景或领域上下文生成更稳定的回答。与此同时，memory 也需要被谨慎地接入模型上下文，避免无关历史污染当前任务，或把框架内部状态和业务身份耦合在一起。 +PowerMem 已经提供了面向长期记忆的 SDK 和服务能力，但早期 LangChain 集成更接近手写封装或链式调用示例。LangChain v1 提供了 middleware 机制，可以在 agent 生命周期中加载上下文、调整模型请求，并在运行结束后处理结果。这个任务希望你基于 middleware 重新设计 PowerMem 与 LangChain agent 的集成方式。 +这个方向的意义不只在于完成一个 create_agent 示例。LangChain middleware 是控制 agent 执行流程的扩展点，Deep Agents 等相关项目也通过 middleware 组合规划、上下文和记忆等能力。因此，一个清晰的 PowerMem middleware 设计更容易复用到更复杂的 agent 形态中，而不是停留在单个示例脚本里。 +本包提供的是暑期学校任务骨架，不是完整实现。你会看到： +● 一个独立的 Python package：packages/powermem-langchain +● 一个可导入、可实例化的 no-op middleware 骨架 +● 一组基础行为测试 +● 一个使用 OpenAI 模型的端到端示例 +你可以根据自己的实现需要调整骨架，但记忆检索、上下文注入和交互写回都应通过 LangChain middleware hooks 完成。请避免把任务实现成只满足测试的特例代码。 +目标 +实现 PowerMemMiddleware，让 LangChain v1 agent 可以使用 PowerMem 作为长期记忆层。 +最小使用形态如下： +from langchain.agents import create_agent +from powermem import create_memory +from powermem_langchain import PowerMemMiddleware + +memory = create_memory() + +agent = create_agent( + model="openai:gpt-4o-mini", + tools=[], + middleware=[ + PowerMemMiddleware( + memory=memory, + user_id="user123", + search_limit=5, + save_interactions=True, + ) + ], +) +实现要求 +你的实现至少需要覆盖以下行为： +● 在模型调用前，根据最新用户消息调用 PowerMem 检索相关记忆。 +● 将检索到的记忆注入模型可见上下文。 +● 在 agent 运行结束后，将用户消息和助手回复写回 PowerMem。 +● 当 save_interactions=False 时，不写回交互。 +● 使用构造参数中的显式 user_id 作为用户身份。 +● PowerMem 检索失败时，默认保持 agent 可继续运行。 +● 同步和异步 agent 调用路径都应能工作。 +已提供的测试 +从仓库根目录运行： +uv run --no-project \ + --python 3.11 \ + --with-editable "." \ + --with-editable "packages/powermem-langchain[test]" \ + pytest packages/powermem-langchain/tests -q +测试使用本地 SQLite PowerMem、noop LLM provider 和 mock embedder，不需要 OpenAI API key，也不需要 OceanBase。 +这些测试是基础验收，不是完整设计规格。它们主要验证： +● PowerMemMiddleware 可以从公开入口导入。 +● 检索出的 PowerMem 记忆会出现在模型输入中。 +● agent 运行后会按需写回 PowerMem。 +● 禁用写回时不会产生新记忆。 +● 检索失败时 agent 仍能运行。 +● 异步 agent 调用也能读取记忆。 +OpenAI 示例 +示例文件位于： +packages/powermem-langchain/examples/openai_agent.py +它用于在真实模型调用下检查完整流程： +1. 创建 PowerMem 实例。 +2. 为演示用户写入一条初始记忆。 +3. 创建带有 PowerMemMiddleware 的 LangChain agent。 +4. 通过 langchain-openai 调用 OpenAI chat model。 +5. 打印 agent 调用前后的 PowerMem 检索结果。 +最小环境变量示例： +export OPENAI_API_KEY="..." +export LLM_PROVIDER=openai +export LLM_API_KEY="$OPENAI_API_KEY" +export LLM_MODEL=gpt-4o-mini +export DATABASE_PROVIDER=sqlite +export SQLITE_PATH="./data/powermem_langchain_demo.db" +运行示例： +uv run --no-project \ + --python 3.11 \ + --with-editable "." \ + --with-editable "packages/powermem-langchain[example]" \ + python packages/powermem-langchain/examples/openai_agent.py \ + --user-id summer-school-demo +当前 no-op middleware 骨架可以被实例化，但不会产生期望的记忆注入和写回行为。完成实现后，示例输出应能体现： +● agent 调用前可以检索到种子记忆。 +● 模型回答会受到相关记忆影响。 +● agent 调用后可以检索到新的交互记忆。 +建议提交内容 +请提交 Pull Request，并将目标分支设置为 vldb_2026。建议保持修改集中在这个 package 内： +packages/powermem-langchain/ + README.md + examples/openai_agent.py + pyproject.toml + src/powermem_langchain/ + __init__.py + middleware.py + tests/test_middleware.py +提交前建议确认： +● 测试通过。 +● 示例可以在配置 OpenAI 和 PowerMem 后运行。 +● 实现没有依赖全局隐式配置来获取业务用户身份。 +● 使用的 hook 和状态字段有清晰用途。 +● 新增测试覆盖了你引入的行为，而不是重复测试已有路径。 +提交时请注意： +● 不需要修改主仓库已有的旧版 LangChain 示例或集成文档。 +● 不需要提交真实 API key、.env 文件、SQLite 数据库文件或测试缓存。 +● 如果调整了公开构造参数或行为契约，请同步更新测试和示例。 +● 提交信息建议使用语义化提交，例如 feat: implement powermem langchain middleware。 + + +fork相关仓库，切换到对应分支(vldb_2026)，提交代码给官方仓库，通过github action跑分。 +项目 代码仓库 分支 +powermem https://github.com/oceanbase/powermem vldb_2026 +seekdb https://github.com/oceanbase/seekdb vldb_2026 +注意fork指定分支！ +PR 创建好后，可以在统计文档中进行更新，我会用脚本统计大家的成绩 +https://oceanbase.yuque.com/g/org-wiki-obtech-vh7w9r/hc3pio/snoeve4gf18ksg85/collaborator/join?token=5S8Mmaa7BtSwfRBA&source=doc_collaborator# 邀请你共同编辑表格《队伍与PR统计》 +算分原则 +总分100分，每个题目25分。 +每个小题的满分也按照100分算，会按照0.25系数折算到总分中。 +题目 规则 +PowerMem 的 LangChain 中间件集成 Public import contract: PASS (gate) +Retrieve memory before model call: PASS (35/35) +Persist interaction after agent run: PASS (25/25) +Disable interaction persistence: PASS (10/10) +Fail-open on search error: PASS (15/15) +Async memory injection: PASS (15/15) From 5608596e0cf188cc5e699b7f7b100dd14a1cf462 Mon Sep 17 00:00:00 2001 From: whtnot Date: Mon, 13 Jul 2026 19:10:39 +0800 Subject: [PATCH 2/3] [ADD|WHT] implement before/after agent --- packages/powermem-langchain/README.md | 10 +- .../src/powermem_langchain/middleware.py | 145 ++++++++++++++++-- .../tests/test_middleware.py | 25 +++ 3 files changed, 161 insertions(+), 19 deletions(-) diff --git a/packages/powermem-langchain/README.md b/packages/powermem-langchain/README.md index 8cd1f28fd1..0de2e4adda 100644 --- a/packages/powermem-langchain/README.md +++ b/packages/powermem-langchain/README.md @@ -1,9 +1,8 @@ # powermem-langchain This package is the LangChain middleware exercise for the VLDB 2026 summer -school branch. It provides a package skeleton, a no-op middleware scaffold, -contract tests, and a runnable OpenAI example. It does not provide a complete -PowerMem middleware implementation. +school branch. It provides a PowerMem middleware implementation, contract +tests, and a runnable OpenAI example. The goal is to integrate PowerMem as a long-term memory layer for LangChain v1 agents. The provided scaffold is intentionally small; you may adjust it as your @@ -112,6 +111,5 @@ uv run --no-project \ --user-id summer-school-demo ``` -With the placeholder middleware, the command can run but will not show the expected -memory injection or write-back behavior. After implementation, the output should -show seeded memories before the agent call and updated memories afterward. +The output should show seeded memories before the agent call and updated memories +afterward. diff --git a/packages/powermem-langchain/src/powermem_langchain/middleware.py b/packages/powermem-langchain/src/powermem_langchain/middleware.py index 59c43c99f5..83a8ed973d 100644 --- a/packages/powermem-langchain/src/powermem_langchain/middleware.py +++ b/packages/powermem-langchain/src/powermem_langchain/middleware.py @@ -1,15 +1,22 @@ -"""LangChain middleware entry point for PowerMem. - -The VLDB 2026 summer school branch intentionally provides only the public entry -point. Students are expected to replace this placeholder with a LangChain -middleware implementation that satisfies the package contract tests. -""" +"""LangChain middleware entry point for PowerMem.""" from __future__ import annotations -from typing import Any, NotRequired, TypedDict +import asyncio +import logging +from collections.abc import Awaitable, Callable +from typing import Any, NotRequired, TypedDict, cast + +from langchain.agents.middleware import ( + AgentMiddleware, + AgentState, + ModelRequest, + ModelResponse, +) +from langchain_core.messages import AIMessage, BaseMessage, HumanMessage, SystemMessage -from langchain.agents.middleware import AgentMiddleware, AgentState + +logger = logging.getLogger(__name__) class PowerMemState(AgentState): @@ -25,7 +32,7 @@ class PowerMemStateUpdate(TypedDict): class PowerMemMiddleware(AgentMiddleware[PowerMemState, Any, Any]): - """Placeholder for the summer school implementation.""" + """Use PowerMem as a long-term memory layer for a LangChain agent.""" state_schema = PowerMemState @@ -38,17 +45,129 @@ def __init__( save_interactions: bool = True, **kwargs: Any, ) -> None: - pass + self.memory = memory + self.user_id = user_id + self.search_limit = search_limit + self.save_interactions = save_interactions + + @staticmethod + def _latest_message_text( + messages: list[BaseMessage], + message_type: type[BaseMessage], + ) -> str | None: + for message in reversed(messages): + if isinstance(message, message_type) and message.text: + return message.text + return None + + @staticmethod + def _format_search_results(result: Any) -> str | None: + if not isinstance(result, dict): + return None + + memories: list[str] = [] + for item in result.get("results", []): + if isinstance(item, str): + content = item + elif isinstance(item, dict): + content = item.get("memory") or item.get("content") + else: + continue + + if content: + memories.append(str(content)) + + if not memories: + return None + return "\n".join(f"- {memory}" for memory in memories) + + def _load_memory(self, state: PowerMemState) -> PowerMemStateUpdate | None: + query = self._latest_message_text(state["messages"], HumanMessage) + if not query: + return None + + try: + result = self.memory.search( + query, + user_id=self.user_id, + limit=self.search_limit, + ) + except Exception: + logger.warning( + "PowerMem search failed; continuing without memory", + exc_info=True, + ) + return None + + context = self._format_search_results(result) + if context is None: + return None + return {"powermem_context": context} + + @staticmethod + def _inject_memory(request: ModelRequest[Any]) -> ModelRequest[Any]: + state = request.state or {} + context = state.get("powermem_context") + if not context: + return request + + memory_prompt = f"Relevant long-term memories:\n{context}" + if request.system_message is None: + system_message = SystemMessage(content=memory_prompt) + else: + content = [ + *request.system_message.content_blocks, + {"type": "text", "text": f"\n\n{memory_prompt}"}, + ] + system_message = SystemMessage( + content=cast("list[str | dict[str, str]]", content) + ) + + return request.override(system_message=system_message) + + def _save_interaction(self, state: PowerMemState) -> None: + messages = state["messages"] + user_message = self._latest_message_text(messages, HumanMessage) + assistant_message = self._latest_message_text(messages, AIMessage) + if not user_message or not assistant_message: + return + + self.memory.add( + [ + {"role": "user", "content": user_message}, + {"role": "assistant", "content": assistant_message}, + ], + user_id=self.user_id, + ) def before_agent(self, state: PowerMemState, runtime) -> PowerMemStateUpdate | None: - pass + return self._load_memory(state) async def abefore_agent( self, state: PowerMemState, runtime, ) -> PowerMemStateUpdate | None: - pass + return await asyncio.to_thread(self._load_memory, state) + + def wrap_model_call( + self, + request: ModelRequest[Any], + handler: Callable[[ModelRequest[Any]], ModelResponse[Any]], + ) -> ModelResponse[Any]: + return handler(self._inject_memory(request)) + + async def awrap_model_call( + self, + request: ModelRequest[Any], + handler: Callable[[ModelRequest[Any]], Awaitable[ModelResponse[Any]]], + ) -> ModelResponse[Any]: + return await handler(self._inject_memory(request)) def after_agent(self, state: PowerMemState, runtime) -> None: - pass + if self.save_interactions: + self._save_interaction(state) + + async def aafter_agent(self, state: PowerMemState, runtime) -> None: + if self.save_interactions: + await asyncio.to_thread(self._save_interaction, state) diff --git a/packages/powermem-langchain/tests/test_middleware.py b/packages/powermem-langchain/tests/test_middleware.py index 4f2fbbcfd9..9c902e74d3 100644 --- a/packages/powermem-langchain/tests/test_middleware.py +++ b/packages/powermem-langchain/tests/test_middleware.py @@ -183,3 +183,28 @@ async def test_async_agent_uses_powermem_memory(tmp_path: Path): await agent.ainvoke({"messages": [HumanMessage(content="Use my async profile.")]}) assert "User prefers async examples." in _message_text(model.calls[0]) + + +@pytest.mark.asyncio +async def test_async_agent_persists_interaction(tmp_path: Path): + memory = _sqlite_memory(tmp_path) + model = CapturingChatModel(responses=["Async stored response"]) + agent = create_agent( + model=model, + tools=[], + middleware=[ + PowerMemMiddleware( + memory=memory, + user_id="async-user", + save_interactions=True, + ) + ], + ) + + await agent.ainvoke( + {"messages": [HumanMessage(content="Remember this async note.")]} + ) + + memory_text = _stored_memory_text(memory, "async-user") + assert "Remember this async note." in memory_text + assert "Async stored response" in memory_text From 473afd47397a052065590d1d87b18550c254fc6b Mon Sep 17 00:00:00 2001 From: whtnot Date: Tue, 14 Jul 2026 16:31:54 +0800 Subject: [PATCH 3/3] [FIX|WHT] delete task.md and empty .gitignore --- packages/powermem-langchain/.gitignore | 0 packages/powermem-langchain/task.md | 123 ------------------------- 2 files changed, 123 deletions(-) delete mode 100644 packages/powermem-langchain/.gitignore delete mode 100644 packages/powermem-langchain/task.md diff --git a/packages/powermem-langchain/.gitignore b/packages/powermem-langchain/.gitignore deleted file mode 100644 index e69de29bb2..0000000000 diff --git a/packages/powermem-langchain/task.md b/packages/powermem-langchain/task.md deleted file mode 100644 index 1128cb178a..0000000000 --- a/packages/powermem-langchain/task.md +++ /dev/null @@ -1,123 +0,0 @@ -背景 -在面向 agent 的应用中，模型本身通常只看到当前请求和有限上下文。Memory 的作用是把用户偏好、历史事实、长期任务状态等信息保存在模型调用之外，并在后续交互中按需取回。一个可用的 memory 集成通常需要完成两件事：在生成前检索与当前输入相关的记忆，在生成后把新的交互或可沉淀的信息写回记忆系统。 -这类能力可以让 agent 在多轮或跨会话场景中表现得更连续：它不需要每次都重新询问已经明确的偏好，也可以围绕用户长期目标、项目背景或领域上下文生成更稳定的回答。与此同时，memory 也需要被谨慎地接入模型上下文，避免无关历史污染当前任务，或把框架内部状态和业务身份耦合在一起。 -PowerMem 已经提供了面向长期记忆的 SDK 和服务能力，但早期 LangChain 集成更接近手写封装或链式调用示例。LangChain v1 提供了 middleware 机制，可以在 agent 生命周期中加载上下文、调整模型请求，并在运行结束后处理结果。这个任务希望你基于 middleware 重新设计 PowerMem 与 LangChain agent 的集成方式。 -这个方向的意义不只在于完成一个 create_agent 示例。LangChain middleware 是控制 agent 执行流程的扩展点，Deep Agents 等相关项目也通过 middleware 组合规划、上下文和记忆等能力。因此，一个清晰的 PowerMem middleware 设计更容易复用到更复杂的 agent 形态中，而不是停留在单个示例脚本里。 -本包提供的是暑期学校任务骨架，不是完整实现。你会看到： -● 一个独立的 Python package：packages/powermem-langchain -● 一个可导入、可实例化的 no-op middleware 骨架 -● 一组基础行为测试 -● 一个使用 OpenAI 模型的端到端示例 -你可以根据自己的实现需要调整骨架，但记忆检索、上下文注入和交互写回都应通过 LangChain middleware hooks 完成。请避免把任务实现成只满足测试的特例代码。 -目标 -实现 PowerMemMiddleware，让 LangChain v1 agent 可以使用 PowerMem 作为长期记忆层。 -最小使用形态如下： -from langchain.agents import create_agent -from powermem import create_memory -from powermem_langchain import PowerMemMiddleware - -memory = create_memory() - -agent = create_agent( - model="openai:gpt-4o-mini", - tools=[], - middleware=[ - PowerMemMiddleware( - memory=memory, - user_id="user123", - search_limit=5, - save_interactions=True, - ) - ], -) -实现要求 -你的实现至少需要覆盖以下行为： -● 在模型调用前，根据最新用户消息调用 PowerMem 检索相关记忆。 -● 将检索到的记忆注入模型可见上下文。 -● 在 agent 运行结束后，将用户消息和助手回复写回 PowerMem。 -● 当 save_interactions=False 时，不写回交互。 -● 使用构造参数中的显式 user_id 作为用户身份。 -● PowerMem 检索失败时，默认保持 agent 可继续运行。 -● 同步和异步 agent 调用路径都应能工作。 -已提供的测试 -从仓库根目录运行： -uv run --no-project \ - --python 3.11 \ - --with-editable "." \ - --with-editable "packages/powermem-langchain[test]" \ - pytest packages/powermem-langchain/tests -q -测试使用本地 SQLite PowerMem、noop LLM provider 和 mock embedder，不需要 OpenAI API key，也不需要 OceanBase。 -这些测试是基础验收，不是完整设计规格。它们主要验证： -● PowerMemMiddleware 可以从公开入口导入。 -● 检索出的 PowerMem 记忆会出现在模型输入中。 -● agent 运行后会按需写回 PowerMem。 -● 禁用写回时不会产生新记忆。 -● 检索失败时 agent 仍能运行。 -● 异步 agent 调用也能读取记忆。 -OpenAI 示例 -示例文件位于： -packages/powermem-langchain/examples/openai_agent.py -它用于在真实模型调用下检查完整流程： -1. 创建 PowerMem 实例。 -2. 为演示用户写入一条初始记忆。 -3. 创建带有 PowerMemMiddleware 的 LangChain agent。 -4. 通过 langchain-openai 调用 OpenAI chat model。 -5. 打印 agent 调用前后的 PowerMem 检索结果。 -最小环境变量示例： -export OPENAI_API_KEY="..." -export LLM_PROVIDER=openai -export LLM_API_KEY="$OPENAI_API_KEY" -export LLM_MODEL=gpt-4o-mini -export DATABASE_PROVIDER=sqlite -export SQLITE_PATH="./data/powermem_langchain_demo.db" -运行示例： -uv run --no-project \ - --python 3.11 \ - --with-editable "." \ - --with-editable "packages/powermem-langchain[example]" \ - python packages/powermem-langchain/examples/openai_agent.py \ - --user-id summer-school-demo -当前 no-op middleware 骨架可以被实例化，但不会产生期望的记忆注入和写回行为。完成实现后，示例输出应能体现： -● agent 调用前可以检索到种子记忆。 -● 模型回答会受到相关记忆影响。 -● agent 调用后可以检索到新的交互记忆。 -建议提交内容 -请提交 Pull Request，并将目标分支设置为 vldb_2026。建议保持修改集中在这个 package 内： -packages/powermem-langchain/ - README.md - examples/openai_agent.py - pyproject.toml - src/powermem_langchain/ - __init__.py - middleware.py - tests/test_middleware.py -提交前建议确认： -● 测试通过。 -● 示例可以在配置 OpenAI 和 PowerMem 后运行。 -● 实现没有依赖全局隐式配置来获取业务用户身份。 -● 使用的 hook 和状态字段有清晰用途。 -● 新增测试覆盖了你引入的行为，而不是重复测试已有路径。 -提交时请注意： -● 不需要修改主仓库已有的旧版 LangChain 示例或集成文档。 -● 不需要提交真实 API key、.env 文件、SQLite 数据库文件或测试缓存。 -● 如果调整了公开构造参数或行为契约，请同步更新测试和示例。 -● 提交信息建议使用语义化提交，例如 feat: implement powermem langchain middleware。 - - -fork相关仓库，切换到对应分支(vldb_2026)，提交代码给官方仓库，通过github action跑分。 -项目 代码仓库 分支 -powermem https://github.com/oceanbase/powermem vldb_2026 -seekdb https://github.com/oceanbase/seekdb vldb_2026 -注意fork指定分支！ -PR 创建好后，可以在统计文档中进行更新，我会用脚本统计大家的成绩 -https://oceanbase.yuque.com/g/org-wiki-obtech-vh7w9r/hc3pio/snoeve4gf18ksg85/collaborator/join?token=5S8Mmaa7BtSwfRBA&source=doc_collaborator# 邀请你共同编辑表格《队伍与PR统计》 -算分原则 -总分100分，每个题目25分。 -每个小题的满分也按照100分算，会按照0.25系数折算到总分中。 -题目 规则 -PowerMem 的 LangChain 中间件集成 Public import contract: PASS (gate) -Retrieve memory before model call: PASS (35/35) -Persist interaction after agent run: PASS (25/25) -Disable interaction persistence: PASS (10/10) -Fail-open on search error: PASS (15/15) -Async memory injection: PASS (15/15)