短期记忆暂时存储最近的感知，它会接收一些感觉记忆，并且可以通过其他观察或检索的记忆来增强它以进入长期记忆。

在大多数情况下，短期记忆类似于LLM约束的上下文窗口内的输入信息。所以你可以认为短期记忆在大多数情况下都会被写入LLM的提示词中。

使用短期记忆

from dbgpt.agent import AgentMemory, ShortTermMemory
# Create an agent memory, which contains a short-term memory
memory = ShortTermMemory(buffer_size=2)
agent_memory: AgentMemory = AgentMemory(memory=memory)

跟感知记忆一样，短期记忆也有buffer size，当buffer满时，将保留最新的`buffer_size` 记忆，并且一些被丢弃的记忆将被转移到长期记忆中。 

默认的短期记忆是FIFO记忆，这里暂不做详细介绍。

短期记忆增强

与人类短期记忆一样，DB-GPT智能体的短期记忆可以通过外部观察来增强。 这里我们介绍一种增强短期记忆，称为EnhancedShortTermMemory 你需要提供一个Embedding嵌入模型。

准备Embedding模型

DB-GPT支持许多的Embedding模型，此处是其中一些展示

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)

from dbgpt.rag.embedding import DefaultEmbeddingFactory
embeddings = DefaultEmbeddingFactory.default("/data/models/text2vec-large-chinese")

from dbgpt.rag.embedding import DefaultEmbeddingFactory
embeddings = DefaultEmbeddingFactory.remote(
  api_url="http://localhost:8100/api/v1/embeddings",
  api_key="{your_api_key}",
  model_name="text2vec"
)

使用增强的短期记忆

from concurrent.futures import ThreadPoolExecutor
from dbgpt.agent import AgentMemory, EnhancedShortTermMemory
# Create an agent memory, which contains a short-term memory
memory = EnhancedShortTermMemory(
    embeddings=embeddings,
    buffer_size=2,
    enhance_similarity_threshold=0.5,
    enhance_threshold=3,
    executor=ThreadPoolExecutor(),
)
agent_memory: AgentMemory = AgentMemory(memory=memory)

在DB-GPT中，核心接口是异步非阻塞的，因此我们使用ThreadPoolExecutor在单独的线程中运行相似度计算以获得更好的性能。

在上面的代码中，我们将enhance_similarity_threshold设置为0.5，这意味着如果相似度大于0.7，则新的观察有可能被增强到短期记忆(增强过程中有随机因素)。我们将enhance_threshold设置为3，这意味着如果记忆增强大于等于3倍时，它将被转移到长期记忆中。

现在你可以在智能体中使用增强短期记忆了。