English | 中文
- [2024-09-10] 我们现在发布了 MemoryScope v0.1.1.0，该版本也可以在 PyPI 上获取！
MemoryScope可以为LLM聊天机器人提供强大且灵活的长期记忆能力，并提供了构建长期记忆能力的框架。 MemoryScope可以用于个人助理、情感陪伴等记忆场景，通过长期记忆能力来不断学习，记得用户的基础信息以及各种习惯和喜好，使得用户在使用LLM时逐渐感受到一种“默契”。
💾 记忆数据库: MemoryScope配备了向量数据库(默认是ElasticSearch)，用于存储系统中记录的所有记忆片段。
🔧 核心worker库: MemoryScope将长期记忆的能力原子化，抽象成单独的worker，包括query信息过滤，observation抽取，insight更新等20+worker。
🛠️ 核心Operation库: MemoryScope将workers组织为工作流(workflow)，构建了处理记忆的完善Operation库，实现了记忆检索，记忆巩固等核心能力。
- 记忆检索：当用户输入对话，此操作返回语义相关的记忆片段。如果输入对话包含对时间的指涉，则同时返回相应时间中的记忆片段。
- 记忆巩固：此操作接收一批用户的输入对话，并从对话中提取重要的用户信息，将其作为 observation 形式的记忆片段存储在记忆数据库中。
- 反思与再巩固：每隔一段时间，此操作对新记录的 observations 进行反思，以形成和更新 insight 形式的记忆片段。然后执行记忆再巩固，以确保记忆片段之间的矛盾和重复得到妥善处理。
⚙️ 最佳实践:
- MemoryScope在构建了长期记忆核心能力的基础上，实现了带长期记忆的对话接口(API)和带长期记忆的命令行对话实践(CLI)。
- MemoryScope结合了目前流行的Agent框架（AutoGen、AgentScope），给出了最佳实践。
⚡ 极低的线上时延（RT）:
- 系统中后端操作（记忆巩固、反思和再巩固）与前端操作（记忆检索）相互独立。
- 由于后端操作通常（并且推荐）通过队列或每隔固定间隔执行，系统的用户时延（RT）完全取决于前端操作，仅为约500毫秒。
🌲 记忆存储的层次结构和内容的连贯一致性:
- 系统中存储的记忆片段采用分层结构，通过汇总主题相似的 observations 生成高层次的 insights 信息。
- 定期处理记忆片段之间的矛盾和重复，以保证记忆内容的连贯一致性。
- 过滤掉用户输入的虚构内容，以避免LLM产生幻觉。
⏰ 时间敏感性:
- 在执行记忆检索和记忆巩固时具备时间敏感性，因此在输入对话包含对时间的指涉时，可以检索到准确的相关信息。
| Backend | Task | Some Supported Models |
|---|---|---|
| openai_backend | Generation | gpt-4o, gpt-4o-mini, gpt-4, gpt-3.5-turbo |
| Embedding | text-embedding-ada-002, text-embedding-3-large, text-embedding-3-small | |
| dashscope_backend | Generation | qwen-max, qwen-plus, qwen-plus, qwen2-72b-instruct |
| Embedding | text-embedding-v1, text-embedding-v2 | |
| Reranker | gte-rerank |
未来将支持更多的模型接口和支持本地部署的LLM和emb服务
完整的安装方法请参考安装指南。
欢迎社区的代码贡献。
我们非常推荐每一个贡献者在代码提交前，安装pre-commit钩子工具，
能够帮助在每一次git提交的时候，进行自动化的代码格式校验。
pip install -e .
pre-commit install请参阅我们的贡献指南 了解更多详细信息。
如果您在论文中有使用该项目，请添加以下引用：
@software{MemoryScope,
author = {Li Yu and
Tiancheng Qin and
Qingxu Fu and
Sen Huang and
Xianzhe Xu and
Zhaoyang Liu and
Boyin Liu},
month = {09},
title = {{MemoryScope}},
url = {https://github.com/modelscope/MemoryScope},
year = {2024}
}