Mem0 - 个人 AI 的内存层
AI工程仔 2024-09-14 11:31:01 阅读 75
文章目录
一、关于 Mem0核心功能🔑路线图 🗺️常见用例Mem0与RAG有何不同？
二、快速入门 🚀1、安装2、基本用法（开源）3、高级用法🔧4、大模型支持
三、MultiOn1、概览2、设置和配置4、将记忆添加到Mem05、检索相关记忆6、浏览arxiv7、结论
一、关于 Mem0
Personalized AI 的内存层
Mem0为大型语言模型提供智能、自我改进的内存层，实现跨应用程序的个性化AI体验。
Mem0 Slack : https://mem0.ai/slack官方文档：https://docs.mem0.ai/overviewMem0 Discord : https://mem0.ai/discordMem0 Twitter : https://x.com/mem0aiY Combinator S24 : https://www.ycombinator.com/companies/mem0mem0ai npm package : https://www.npmjs.com/package/mem0aimem0ai Python package on PyPi : https://pypi.python.org/pypi/mem0ai
注意：Mem0存储库现在还包括Embedchain项目，我们继续维护和支持Embedchain❤️，您可以在嵌入链目录中找到Embedchain代码库。
核心功能🔑
多级内存：用户、会话和AI代理内存保留自适应个性化：基于交互的持续改进开发人员友好的API：简单集成到各种应用程序中跨平台一致性：跨设备的统一行为托管服务：无忧的托管解决方案
路线图 🗺️
与各种LLM提供商集成支持LLM框架与AI代理框架集成可定制的内存创建/更新规则托管平台支持
常见用例
个性化学习助手：长期记忆允许学习助手记住用户偏好、过去的交互和进度，提供更量身定制和有效的学习体验。客户支持AI代理：通过保留以前交互中的信息，客户支持机器人可以提供更准确和上下文感知的帮助，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。虚拟同伴：虚拟同伴可以通过记住个人细节、偏好和过去的对话，利用长期记忆与用户建立更深层次的关系，使互动更有意义。生产力工具：长期记忆有助于生产力工具记住用户习惯、常用文档和任务历史记录，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、策略和进度来创造更身临其境的体验，从而相应地调整游戏环境。
Mem0与RAG有何不同？
与检索增强生成（RAG）相比，Mem0的大型语言模型（LLM）内存实现提供了几个优势：
实体关系：Mem0可以跨不同的交互理解和关联实体，不像RAG从静态文档中检索信息。这导致对上下文和关系的更深入理解。最近性、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，确保记忆保持相关和最新，以获得更准确的响应。上下文连续性：Mem0跨会话保留信息，保持对话和交互的连续性，这对于虚拟同伴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改进其个性化，随着时间的推移使记忆更加准确并为个人用户量身定制。动态更新：Mem0可以使用新的信息和交互动态更新其内存，这与依赖静态数据的RAG不同。这允许实时调整和改进，增强用户体验。
这些先进的内存功能使Mem0成为旨在创建个性化和上下文感知AI应用程序的开发人员的强大工具。
二、快速入门 🚀
1、安装
<code>pip install mem0ai
2、基本用法（开源）
如果您正在寻找托管版本并且不想自己设置基础设施，请查看Mem0平台文档以在几分钟内开始使用。
import os
from mem0 import Memory
os.environ["OPENAI_API_KEY"] = "xxx"
# Initialize Mem0
m = Memory()
# Store a memory from any unstructured text
result = m.add("I am working on improving my tennis skills. Suggest some online courses.", user_id="alice", metadata={ "category": "hobbies"})code>
print(result)
# Created memory: Improving her tennis skills. Looking for online suggestions.
# Retrieve memories
all_memories = m.get_all()
print(all_memories)
# Search memories
related_memories = m.search(query="What are Alice's hobbies?", user_id="alice")code>
print(related_memories)
# Update a memory
result = m.update(memory_id="m1", data="Likes to play tennis on weekends")code>
print(result)
# Get memory history
history = m.history(memory_id="m1")code>
print(history)
3、高级用法🔧
对于生产环境，您可以使用Qdrant作为矢量存储：
from mem0 import Memory
config = {
"vector_store": {
"provider": "qdrant",
"config": {
"host": "localhost",
"port": 6333,
}
},
}
m = Memory.from_config(config)
4、大模型支持
更多可见：https://docs.mem0.ai/llms
这里以 openai 为例
要使用OpenAI LLM模型，必须设置OPENAI_API_KEY环境变量，可以从OpenAI平台获取OpenAI API密钥。
获得密钥后，您可以这样使用它：
import os
from mem0 import Memory
os.environ["OPENAI_API_KEY"] = "your-api-key"
config = {
"llm": {
"provider": "openai",
"config": {
"model": "gpt-4o",
"temperature": 0.2,
"max_tokens": 1500,
}
}
}
m = Memory.from_config(config)
m.add("Likes to play cricket on weekends", user_id="alice", metadata={ "category": "hobbies"})code>
三、MultiOn
构建个人浏览器代理 会记住用户偏好 并自动执行Web任务。
它将用于内存管理的Mem0 与用于执行浏览器操作的MultiOn 集成在一起，从而实现个性化和高效的Web交互。
1、概览
在这个例子中，我们将创建一个基于浏览器的人工智能代理，在 arxiv.org 上搜索与用户研究兴趣相关的研究论文。
2、设置和配置
安装必要的库：
pip install mem0ai multion
首先，我们将导入必要的库并设置我们的配置。
import os
from mem0 import Memory
from multion.client import MultiOn
# Configuration
OPENAI_API_KEY = 'sk-xxx' # Replace with your actual OpenAI API key
MULTION_API_KEY = 'your-multion-key' # Replace with your actual MultiOn API key
USER_ID = "deshraj"
# Set up OpenAI API key
os.environ['OPENAI_API_KEY'] = OPENAI_API_KEY
# Initialize Mem0 and MultiOn
memory = Memory()
multion = MultiOn(api_key=MULTION_API_KEY)
4、将记忆添加到Mem0
接下来，我们将定义我们的用户数据并将其添加到Mem0。
# Define user data
USER_DATA = """
About me
- I'm Deshraj Yadav, Co-founder and CTO at Mem0, interested in AI and ML Infrastructure.
- Previously, I was a Senior Autopilot Engineer at Tesla, leading the AI Platform for Autopilot.
- I built EvalAI at Georgia Tech, an open-source platform for evaluating ML algorithms.
- Outside of work, I enjoy playing cricket in two leagues in the San Francisco.
"""
# Add user data to memory
memory.add(USER_DATA, user_id=USER_ID)
print("User data added to memory.")
5、检索相关记忆
现在，我们将定义搜索命令并从Mem0中检索相关内存。
# Define search command and retrieve relevant memories
command = "Find papers on arxiv that I should read based on my interests."
relevant_memories = memory.search(command, user_id=USER_ID, limit=3)
relevant_memories_text = '\n'.join(mem['text'] for mem in relevant_memories)
print(f"Relevant memories:")
print(relevant_memories_text)
6、浏览arxiv
最后，我们将使用MultiOn根据我们的命令和相关记忆浏览arxiv。
# Create prompt and browse arXiv
prompt = f"{ command}\n My past memories: { relevant_memories_text}"
browse_result = multion.browse(cmd=prompt, url="https://arxiv.org/")code>
print(browse_result)
7、结论
通过将Mem0与MultiOn集成，您创建了一个个性化的浏览器代理，可以记住用户偏好并自动执行web任务。
有关更多详细信息和高级用法，请参阅完整recipe：https://github.com/mem0ai/mem0/blob/main/cookbooks/mem0-multion.ipynb 。
2024-07-23（二）
声明
本文内容仅代表作者观点，或转载于其他网站，本站不以此文作为商业用途
如有涉及侵权，请联系本站进行删除
转载本站原创文章，请注明来源及作者。