mem0
0.1.123
Saiba mais · Junte -se à discórdia
O MEM0 (pronunciado como "Mem-zero") aprimora os assistentes e agentes da IA com uma camada de memória inteligente, permitindo interações personalizadas de IA. O MEM0 se lembra de preferências do usuário, se adapta às necessidades individuais e melhora continuamente com o tempo, tornando -o ideal para chatbots de suporte ao cliente, assistentes de IA e sistemas autônomos.
Novo recurso: introdução de memória gráfica. Confira nossa documentação.
O MEM0 aproveita uma abordagem de banco de dados híbrida para gerenciar e recuperar memórias de longo prazo para agentes e assistentes de IA. Cada memória está associada a um identificador exclusivo, como um ID de usuário ou ID do agente, permitindo que o MEM0 organize e acesse memórias específicas a um indivíduo ou contexto.
Quando uma mensagem é adicionada ao método MEM0 Usando Add (), o sistema extrai fatos e preferências relevantes e o armazena em lojas de dados: um banco de dados vetorial, um banco de dados de valor-chave e um banco de dados de gráfico. Essa abordagem híbrida garante que diferentes tipos de informações sejam armazenados da maneira mais eficiente, tornando as pesquisas subsequentes rápidas e eficazes.
Quando um agente de IA ou LLM precisa recordar memórias, ele usa o método de pesquisa (). O MEM0 executa a pesquisa nessas lojas de dados, recuperando informações relevantes de cada fonte. Essas informações são passadas através de uma camada de pontuação, que avalia sua importância com base na relevância, importância e recência. Isso garante que apenas o contexto mais personalizado e útil esteja surgido.
As memórias recuperadas podem ser anexadas ao prompt do LLM conforme necessário, melhorando a personalização e a relevância de suas respostas.
O MEM0 capacita organizações e indivíduos a aprimorar:
A maneira mais fácil de configurar o MEM0 é através da plataforma gerenciada MEM0. Esta solução hospedada oferece atualizações automáticas, análises avançadas e suporte dedicado. Inscreva -se para começar.
Se você preferir auto-host, use o pacote MEM0 de código aberto. Siga as instruções de instalação para começar.
Instale o pacote MEM0 via PIP:
pip install mem0aiComo alternativa, você pode usar o MEM0 com um clique na plataforma hospedada aqui.
O MEM0 exige que um LLM funcione, com gpt-4o do OpenAI como o padrão. No entanto, ele suporta uma variedade de LLMs; Para obter detalhes, consulte a documentação do LLMS suportado.
O primeiro passo é instanciar a memória:
from mem0 import Memory
m = Memory () import os
os . environ [ "OPENAI_API_KEY" ] = "sk-xxx"Você pode executar a seguinte tarefa na memória:
# 1. Add: 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" })
# Created memory --> 'Improving her tennis skills.' and 'Looking for online suggestions.' # 2. Update: update the memory
result = m . update ( memory_id = < memory_id_1 > , data = "Likes to play tennis on weekends" )
# Updated memory --> 'Likes to play tennis on weekends.' and 'Looking for online suggestions.' # 3. Search: search related memories
related_memories = m . search ( query = "What are Alice's hobbies?" , user_id = "alice" )
# Retrieved memory --> 'Likes to play tennis on weekends' # 4. Get all memories
all_memories = m . get_all ()
memory_id = all_memories [ "memories" ][ 0 ] [ "id" ] # get a memory_id
# All memory items --> 'Likes to play tennis on weekends.' and 'Looking for online suggestions.' # 5. Get memory history for a particular memory_id
history = m . history ( memory_id = < memory_id_1 > )
# Logs corresponding to memory_id_1 --> {'prev_value': 'Working on improving tennis skills and interested in online courses for tennis.', 'new_value': 'Likes to play tennis on weekends' } Dica
Se você preferir uma versão hospedada sem a necessidade de configurar a infraestrutura, consulte a plataforma MEM0 para começar em minutos.
Para inicializar a memória gráfica, você precisará configurar sua configuração com os provedores de armazenamento de gráficos. Atualmente, apoiamos o Neo4J como um provedor de lojas de gráficos. Você pode configurar neo4j localmente ou usar o neo4j auradb hospedado. Além disso, você também precisa definir a versão como v1.1 ( versões anteriores não são suportadas ). Veja como você pode fazer isso:
from mem0 import Memory
config = {
"graph_store" : {
"provider" : "neo4j" ,
"config" : {
"url" : "neo4j+s://xxx" ,
"username" : "neo4j" ,
"password" : "xxx"
}
},
"version" : "v1.1"
}
m = Memory . from_config ( config_dict = config )Para obter instruções de uso detalhadas e referência da API, visite nossa documentação em docs.mem0.ai. Aqui, você pode encontrar mais informações sobre a versão de código aberto e a plataforma MEM0 hospedada.
Junte -se à nossa comunidade para obter apoio e discussões. Se você tiver alguma dúvida, sinta -se à vontade para nos alcançar usando um dos seguintes métodos:
Junte -se à nossa comunidade Discord para aprender sobre gerenciamento de memória para agentes e LLMs de IA e conecte -se com usuários e colaboradores do MEM0. Compartilhe suas idéias, perguntas ou feedback em nossos problemas do Github.
Valorizamos e apreciamos as contribuições de nossa comunidade. Agradecimentos especiais aos nossos colaboradores por nos ajudarem a melhorar o MEM0.
Coletamos métricas de uso anônimo para aprimorar a qualidade e a experiência do usuário do nosso pacote. Isso inclui dados como frequência de uso de recursos e informações do sistema, mas nunca detalhes pessoais. Os dados nos ajudam a priorizar melhorias e garantir a compatibilidade. Se você deseja desativar, defina a variável de ambiente MEM0_TELEMETRY = FALSE. Priorizamos a segurança dos dados e não compartilhamos esses dados externamente.
Este projeto está licenciado sob a licença Apache 2.0 - consulte o arquivo de licença para obter detalhes.
