包阅导读总结
1.
关键词：Mem0、AI 记忆层、开源项目、个性化、集成
2.
总结：Mem0 是一个解决大模型记忆能力的开源项目，能提供智能内存系统，支持多层次记忆、自适应个性化等核心功能，有快速开始指南、文档及与其他工具集成的示例，还有高级用法和未来路线图。
3.
主要内容：
– Mem0 项目
– 背景：解决大模型记忆能力问题
– 目标：提供智能、自我改进的内存系统，使 AI 交互个性化和具有上下文感知能力
– 核心功能
– 多层次记忆
– 自适应个性化
– 开发者友好 API
– 跨平台一致性
– 托管服务
– 快速开始
– 安装
– 基本用法：初始化、存储、检索、搜索、更新、记忆历史、删除、重置
– 文档
– 与 MultiOn 集成示例
– 安装库和设置配置
– 向 Mem0 添加记忆
– 检索相关记忆
– 浏览 arXiv
– 高级用法：使用 Qdrant 作为向量存储
– 路线图
– 与各种 LLM 提供商等集成
– 支持 LLM 框架等
– 支持
– 加入社区
– 联系方式
思维导图：
文章地址：https://mp.weixin.qq.com/s/reIJLL09Ma72abfeVP7pwg
文章来源：mp.weixin.qq.com
作者：山行AI
发布时间：2024/7/25 14:24
语言：中文
总字数：2118字
预计阅读时间：9分钟
评分：88分
标签：AI 记忆层,开源项目,个性化 AI,开发者 API,跨平台一致性
以下为原文内容
本内容来源于用户推荐转载，旨在分享知识与观点，如有侵权请联系删除 联系邮箱 media@ilingban.com
前言
一直以来，如何维持大模型的记忆能力都是一个令人工智能从业者头痛的问题，Mem0是一个新的在这方面表现良好的开源项目。
Mem0的目标是提供一个智能的、自我改进的内存系统，能够根据用户互动存储、回忆和完善信息，使AI交互更加个性化和具有上下文感知能力。
Mem0使AI系统能够维护针对特定用户、特定会话和特定代理的内存，这有助于在不同平台和设备上提供一致且定制的用户体验。
Mem0允许开发者通过一个开发者API轻松地将这种内存功能集成到不同的应用中，最终实现跨应用程序的个性化AI体验。
🔑 核心功能
•多层次记忆：用户、会话和AI代理记忆保留•自适应个性化：根据交互持续改进•开发者友好API：简单集成到各种应用•跨平台一致性：设备间行为一致•托管服务：无忧的托管解决方案
🚀 快速开始
快速开始使用 Mem0！
欢迎来到 Mem0 快速入门指南。本指南将帮助你迅速上手使用 Mem0。
安装
你可以使用 pip 安装 Mem0。在终端中运行以下命令：
基本用法
初始化 Mem0
•基本•高级
from mem0 import Memorym = Memory()
存储记忆
# 针对某个用户result = m.add("周末喜欢打板球", user_id="alice", metadata={"category": "hobbies"})print(result)
输出：
[{'id': 'm1','event': 'add','data': '周末喜欢打板球'}]
检索记忆
# 获取所有记忆all_memories = m.get_all()print(all_memories)
输出：
[{'id': 'm1','text': '周末喜欢打板球','metadata': {'data': '周末喜欢打板球','category': 'hobbies'}},# ... 其他记忆 ...]
# 按ID获取单个记忆specific_memory = m.get("m1")print(specific_memory)
输出：
{'id': 'm1','text': '周末喜欢打板球','metadata': {'data': '周末喜欢打板球','category': 'hobbies'}}
搜索记忆
related_memories = m.search(query="Alice 的爱好是什么？", user_id="alice")print(related_memories)
输出：
[{'id': 'm1','text': '周末喜欢打板球','metadata': {'data': '周末喜欢打板球','category': 'hobbies'},'score': 0.85 # 相似度得分},# ... 其他相关记忆 ...]
更新记忆
result = m.update(memory_id="m1", data="周末喜欢打网球")print(result)
输出：
{'id': 'm1','event': 'update','data': '周末喜欢打网球'}
记忆历史
history = m.history(memory_id="m1")print(history)
输出：
[{'id': 'h1','memory_id': 'm1','prev_value': None,'new_value': '周末喜欢打板球','event': 'add','timestamp': '2024-07-14 10:00:54.466687','is_deleted': 0},{'id': 'h2','memory_id': 'm1','prev_value': '周末喜欢打板球','new_value': '周末喜欢打网球','event': 'update','timestamp': '2024-07-14 10:15:17.230943','is_deleted': 0}]
删除记忆
m.delete(memory_id="m1") # 删除某条记忆m.delete_all(user_id="alice") # 删除所有记忆
重置记忆
📖 文档
有关详细的使用说明和API参考，请访问我们的文档docs.mem0.ai[2]。
MultiOn
构建记住用户偏好并自动化网页任务的个人浏览器代理。它将 Mem0 用于记忆管理，并与 MultiOn 集成，以执行浏览器操作，实现个性化和高效的网页交互。
概述
在此示例中，我们将创建一个基于浏览器的AI代理，在arxiv.org[3]上搜索与用户研究兴趣相关的论文。
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配置。
import osfrom mem0 import Memoryfrom multion.client import MultiOn# 配置OPENAI_API_KEY = 'sk-xxx' # 替换为你的实际OpenAI API密钥MULTION_API_KEY = 'your-multion-key' # 替换为你的实际MultiOn API密钥USER_ID = "deshraj"# 设置OpenAI API密钥os.environ['OPENAI_API_KEY'] = OPENAI_API_KEY# 初始化 Mem0 和 MultiOnmemory = Memory()multion = MultiOn(api_key=MULTION_API_KEY)
向 Mem0 添加记忆
接下来，我们将定义用户数据并将其添加到 Mem0。
# 定义用户数据USER_DATA = """关于我- 我是 Deshraj Yadav，Mem0 的联合创始人兼 CTO，感兴趣的领域是 AI 和 ML 基础设施。- 之前，我是特斯拉的高级自动驾驶工程师，负责自动驾驶 AI 平台。- 我在佐治亚理工学院开发了 EvalAI，一个用于评估 ML 算法的开源平台。- 工作之外，我喜欢在旧金山的两个联盟中打板球。"""# 向记忆中添加用户数据memory.add(USER_DATA, user_id=USER_ID)print("用户数据已添加到记忆中。")
检索相关记忆
现在，我们将定义搜索命令并从 Mem0 中检索相关记忆。
# 定义搜索命令并检索相关记忆command = "找到我应该阅读的与我的兴趣相关的论文。"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"相关记忆：")print(relevant_memories_text)
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。
# 创建提示并浏览 arXivprompt = f"{command}\n 我的过去记忆：{relevant_memories_text}"browse_result = multion.browse(cmd=prompt, url="https://arxiv.org/")print(browse_result)
结论
通过将 Mem0 与 MultiOn 集成，你已经创建了一个个性化的浏览器代理，它记住用户偏好并自动化网页任务。有关更多详情和高级用法，请参阅完整的cookbook here[4]。
🔧 高级用法
对于生产环境，可以使用 Qdrant 作为向量存储：
from mem0 import Memoryconfig = {"vector_store": {"provider": "qdrant","config": {"host": "localhost","port": 6333,}}}m = Memory.from_config(config)
🗺️ 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•可定制的记忆创建/更新规则•支持托管平台
🙋♂️ 支持
加入我们的 Slack 或 Discord 社区以获得支持和讨论。如果你有任何问题，请通过以下方式联系我们：
•加入我们的 Discord[5]•加入我们的 Slack[6]•关注我们 Twitter[7]•给我们发邮件[8]
声明
本文由山行翻译整理自：https://github.com/mem0ai/mem0，如果对您有帮助，请帮忙点赞、关注、收藏，谢谢！
其他热门项目速览：
GraphRAG-Local-UI将GraphRAG与本地大模型界面化的AI原生应用
GraphRAG会成为AI原生应用中RAG的终局吗？
Agentic Workflow会是AI的未来吗？
llm-graph-builder——从非结构化数据创建知识图谱
References
[1]:https://github.com/mem0ai/mem0#-documentation[2]docs.mem0.ai:https://docs.mem0.ai/[3]arxiv.org:https://arxiv.org/[4]cookbook here:https://github.com/mem0ai/mem0/blob/main/cookbooks/mem0-multion.ipynb[5]加入我们的 Discord:https://embedchain.ai/discord[6]加入我们的 Slack:https://embedchain.ai/slack[7]关注我们 Twitter:https://twitter.com/mem0ai[8]给我们发邮件:mailto:founders@mem0.ai
