Mem0上线GitHub仅仅2天就已经达到13K🌟！连续多天霸榜Trending第一！本文就Mem0做个简单介绍，供大家参考。
GitHub - mem0ai/mem0: The memory layer for Personalized AI
📚 Overview - Mem0.ai
Mem0 为大型语言模型提供了一个智能、自我改进的内存层，从而实现跨应用程序的个性化 AI 体验。该项目存储和管理用户特定信息，包括对话历史记录、偏好和元数据，帮助 AI 应用程序提供量身定制的结果。例如，在个性化学习助手中，长期记忆使其能够记住用户偏好、过去的交互和进度，从而提供更加个性化和有效的学习体验。
Mem0 是什么？
Mem0 以前称为 EmbedChain，反映了其在 AI 和机器学习领域的进展。由两位硅谷的印度工程师在2023年创立的，位于山景城，公司目前就两人。Mem0 是为大型语言模型 (LLM) 设计的创新内存层的开源项目，目的是增强各种应用中的个性化 AI 体验，允许 AI 记住用户偏好和先前交互的背景，可使 AI 交互随着时间的推移更具相关性和吸引力，让全球开发者和用户更轻松地使用复杂的 AI 工具。
Mem0 的内存层由包括 GPT-4 在内的复杂算法提供支持，并利用向量数据库等数据结构来高效地存储和检索上下文信息。Mem0 是大型语言模型 (LLM) 的尖端长期记忆解决方案，通过在整个 GenAI 堆栈中实现个性化，允许 LLM 回忆过去的交互并提供随每个用户而变化的定制响应。
主要特征：
- 自我改进记忆：自适应系统不断从用户交互中学习，随着时间的推移不断完善其理解。
- 跨平台一致性：确保跨各种 AI 平台和应用程序的统一用户体验。
- 集中式内存管理：通过 API 轻松存储和管理个人用户、代理和会话的内存和会话的长期、短期、语义和情景记忆。
Mem0 优点
- 增强的用户体验：提供个性化的互动，让您的 AI 应用脱颖而出。
- 简化开发：API集成容易上手。
- 可扩展的解决方案：设计用于伴随应用程序一起成长，从原型到可用于生产的系统。
- Mem0可以显著提升个性化AI的能力。通过记住用户的偏好等用户画像信息，AI产品就可以提供更加个性化服务，有较好的想象空间。传统的用户画像依赖于产研去设计schema，只能挖掘存储设计好的一些特征，而Mem0通过大模型，可以提供schame base和大模型自己挖掘的记忆，提供了一条更通用的方案。
核心功能
1️⃣****用户、会话和AI代理内存：跨用户会话、交互和 AI 代理保留信息，确保连续性和上下文。
2️⃣****自适应个性化：根据用户交互和反馈不断改进个性化。
3️⃣****开发人员友好API：提供简单的 API，可无缝集成到各种应用程序中。
4️⃣****平台一致性：确保不同平台和设备上的行为和数据一致。
5️⃣****托管服务：提供托管解决方案，以便于部署和维护。
Mem0 与 RAG 有何不同？
Mem0 的大型语言模型 (LLM) 内存实现与检索增强生成 (RAG) 相比具有多项优势：
- 实体关系：Mem0 可以理解和关联不同交互中的实体，而 RAG 则从静态文档中检索信息。这可以更深入地理解上下文和关系。
- 新近度、相关性和衰减：Mem0 优先考虑最近的交互并逐渐忘记过时的信息，确保记忆保持相关性和最新性，以便做出更准确的响应。
- 情境连续性：Mem0 在会话之间保留信息，保持对话和交互的连续性，这对于虚拟伴侣或个性化学习助手等长期参与应用程序至关重要。
- 自适应学习：Mem0 根据用户交互和反馈提高其个性化，使得记忆更加准确，并随着时间的推移更适合个人用户。
- 动态更新：Mem0 可以使用新信息和交互动态更新其内存，而不像 RAG 那样依赖静态数据。这允许实时调整和改进，从而增强用户体验。
这些先进的内存功能使 Mem0 成为开发人员创建个性化和情境感知 AI 应用程序的强大工具。
应用场景
- 个性化学习助手：长期记忆使学习助手能够记住用户的偏好、过去的互动和进度，从而提供更加定制化、有效的学习体验。
- 客户支持 AI 代理：通过保留以前交互的信息，客户支持机器人可以提供更准确、更具情境感知的帮助，提高客户满意度并缩短解决时间。
- 医疗助理：长期记忆使医疗助理能够跟踪患者病史、用药时间表和治疗计划，确保个性化和一致的护理。
- 虚拟伴侣：虚拟伴侣可以利用长期记忆，通过记住个人详细信息、偏好和过去的对话来与用户建立更深层次的关系，使互动更有意义。
- 生产力工具：长期记忆可帮助生产力工具记住用户习惯、常用文档和任务历史记录，从而简化工作流程并提高效率。
- 游戏 AI：在游戏中，具有长期记忆的 AI 可以通过记住玩家的选择、策略和进度并相应地调整游戏环境来创造更身临其境的体验。
Mem0 有什么不足？
- mem0当前未看到提供一些通用的schema，提供graph base的管理支持
- 用户的memory应该区分短中长期记忆，mem0当前是未区分的，需要有解决方案
- 无法自定义的记忆管理规则
- 尚不支持结合RAG 和用户对话历史，初始化记忆
- 完全依赖LLM，成本较大
快速入门
安装
要安装 Mem0，您可以使用 pip。在终端中运行以下命令：
pip install mem0ai
基本用法
初始化Mem0
- 基本的
from mem0 import Memory
m = Memory()
- 进阶版
生产环境中，首先运行 Qdrant：
docker pull qdrant/qdrant
docker run -p 6333:6333 -p 6334:6334 \
-v $(pwd)/qdrant_storage:/qdrant/storage:z \
qdrant/qdrant
然后，使用 qdrant 服务器实例化内存：
from mem0 import Memory
config = {
"vector_store": {
"provider": "qdrant",
"config": {
"host": "localhost",
"port": 6333,
}
},
}
m = Memory.from_config(config)
储存记忆
# For a user
result = m.add("Likes to play cricket on weekends", user_id="alice", metadata={"category": "hobbies"})
print(result)
输出：
[
{
'id': 'm1',
'event': 'add',
'data': 'Likes to play cricket on weekends'
}
]
找回记忆
# Get all memories
all_memories = m.get_all()
print(all_memories)
输出：
[
{
'id': 'm1',
'text': 'Likes to play cricket on weekends',
'metadata': {
'data': 'Likes to play cricket on weekends',
'category': 'hobbies'
}
},
# ... other memories ...
]
# Get a single memory by ID
specific_memory = m.get("m1")
print(specific_memory)
输出：
{
'id': 'm1',
'text': 'Likes to play cricket on weekends',
'metadata': {
'data': 'Likes to play cricket on weekends',
'category': 'hobbies'
}
}
搜索记忆
related_memories = m.search(query="What are Alice's hobbies?", user_id="alice")
print(related_memories)
输出：
[
{
'id': 'm1',
'text': 'Likes to play cricket on weekends',
'metadata': {
'data': 'Likes to play cricket on weekends',
'category': 'hobbies'
},
'score': 0.85 # Similarity score
},
# ... other related memories ...
]
更新记忆
result = m.update(memory_id="m1", data="Likes to play tennis on weekends")
print(result)
输出：
{
'id': 'm1',
'event': 'update',
'data': 'Likes to play tennis on weekends'
}
记忆历史
history = m.history(memory_id="m1")
print(history)
输出：
[
{
'id': 'h1',
'memory_id': 'm1',
'prev_value': None,
'new_value': 'Likes to play cricket on weekends',
'event': 'add',
'timestamp': '2024-07-14 10:00:54.466687',
'is_deleted': 0
},
{
'id': 'h2',
'memory_id': 'm1',
'prev_value': 'Likes to play cricket on weekends',
'new_value': 'Likes to play tennis on weekends',
'event': 'update',
'timestamp': '2024-07-14 10:15:17.230943',
'is_deleted': 0
}
]
删除记忆
m.delete(memory_id="m1") # Delete a memory
m.delete_all(user_id="alice") # Delete all memories
重置内存
m.reset() # Reset all memories
原理分析
结合下面的示例代码，mem0的原理大致如下：
- 通过LLM+制定的metadata，抽取记忆信息，重点是定制一个合适的prompt来抽取有效信息
- 相关记忆信息通过向量化存储，因此可以支持记忆信息检索
- 记忆支持更新，例如demo里的hobbies更新
具体来说：
- 通过 MEMORY_DEDUCTION_PROMPT 结合用户的data，抽取记忆，得到extracted_memories
- 然后通过data查询相关的existing_memories
- 然后将extracted_memories、existing_memories 拼接到一起，交予大模型，让大模型调用合适的tool来更新记忆，tools ：
[ADD_MEMORY_TOOL, UPDATE_MEMORY_TOOL, DELETE_MEMORY_TOOL] - 根据function call的结果，调用tool_calls更新记忆
本质上全部委托给大模型，通过prompt做了一定的约束
案例demo：AI Agent 助手
使用 Mem0 创建个性化的客服助手 AI Agent。客户支持 AI Agent利用 Mem0 在交互过程中保留信息，从而实现个性化和高效的支持体验。
使用 pip 安装必要的软件包：
pip install openai mem0ai
完整代码示例
以下是使用 Mem0 创建并与客户支持 AI 代理交互的简化代码：
from openai import OpenAI
from mem0 import Memory
# Set the OpenAI API key
os.environ['OPENAI_API_KEY'] = 'sk-xxx'
class CustomerSupportAIAgent:
def __init__(self):
"""
Initialize the CustomerSupportAIAgent with memory configuration and OpenAI client.
"""
config = {
"vector_store": {
"provider": "qdrant",
"config": {
"host": "localhost",
"port": 6333,
}
},
}
self.memory = Memory.from_config(config)
self.client = OpenAI()
self.app_id = "customer-support"
def handle_query(self, query, user_id=None):
"""
Handle a customer query and store the relevant information in memory.
:param query: The customer query to handle.
:param user_id: Optional user ID to associate with the memory.
"""
# Start a streaming chat completion request to the AI
stream = self.client.chat.completions.create(
model="gpt-4",
stream=True,
messages=[
{"role": "system", "content": "You are a customer support AI agent."},
{"role": "user", "content": query}
]
)
# Store the query in memory
self.memory.add(query, user_id=user_id, metadata={"app_id": self.app_id})
# Print the response from the AI in real-time
for chunk in stream:
if chunk.choices[0].delta.content is not None:
print(chunk.choices[0].delta.content, end="")
def get_memories(self, user_id=None):
"""
Retrieve all memories associated with the given customer ID.
:param user_id: Optional user ID to filter memories.
:return: List of memories.
"""
return self.memory.get_all(user_id=user_id)
# Instantiate the CustomerSupportAIAgent
support_agent = CustomerSupportAIAgent()
# Define a customer ID
customer_id = "jane_doe"
# Handle a customer query
support_agent.handle_query("I need help with my recent order. It hasn't arrived yet.", user_id=customer_id)
唤起记忆
可以使用以下代码获取任意时间点的所有记忆：
memories = support_agent.get_memories(user_id=customer_id)
for m in memories:
print(m['text'])
关键点
- 初始化：使用必要的内存配置和 OpenAI 客户端设置初始化 CustomerSupportAIAgent 类。
- 处理查询：handle_query 方法向 AI 发送查询并将相关信息存储在内存中。
- 检索记忆：get_memories 方法获取与客户相关的所有存储的记忆。
总结
Mem0 的 LLM 记忆实现方法与检索增强生成 (RAG) 等传统方法相比具有明显优势。与从静态文档中检索信息的 RAG 不同，Mem0 的记忆层可以理解和关联不同交互中的实体，保持上下文连续性并优先考虑相关的最新信息。这种动态更新功能可确保记忆保持最新状态，从而提供针对单个用户交互量身定制的准确响应。
记忆层利用多种类型的记忆，例如语义记忆和情景记忆，来创建一个模仿人类记忆过程的强大系统。这包括从交互中推断用户偏好、巩固记忆和动态更新存储的信息。该系统能够根据持续学习调整和个性化交互，这对于需要长期参与和上下文理解的应用程序特别有价值。
除了 Mem0 之外，其他几个针对大型语言模型 (LLM) 的高级记忆层项目也在通过创新的内存管理增强 AI 功能。 MemoryBank 增强了 LLM 的长期记忆能力，利用艾宾浩斯遗忘曲线的原理来管理记忆的保留和衰退，是有助于AI 伴侣和虚拟助手的打造。vLLM 专注于高吞吐量和内存效率高的推理，具有 PagedAttention 和 OpenAI 兼容 API 等功能，支持各种 Hugging Face 模型。Ret-LLM 引入了一种通用的读写内存结构，并提供了一个用于高效更新和查询的 API。HippoRAG 受到神经生物学过程的启发，对人类的长期记忆功能进行建模，以改进 AI 中基于情境的检索。这些项目将复杂的记忆功能集成到 LLM 中，突破了个性化和情境感知 AI 交互的界限。
版权归原作者 科技之歌 所有， 如有侵权，请联系我们删除。