随着 AI 应用越来越广泛，如何管理和优化记忆成为提升用户体验和系统智能的关键因素。Memoripy，作为一款 Python 库，专为 AI 应用设计，提供了一个强大的上下文感知记忆管理解决方案。它不仅支持短期和长期记忆存储，还能够进行概念提取、图基关联、层次聚类等操作，使得 AI 系统能够更好地理解和响应用户交互。
本文将深入介绍 Memoripy 的功能、技术原理及应用场景，并提供详细的安装和使用示例，帮助开发者更轻松地将该库应用到自己的项目中。
🚀 快速阅读
- 功能：Memoripy 支持短期和长期记忆管理、上下文检索、概念提取和嵌入生成、图基关联、层次聚类及记忆衰减和强化。
- 技术原理：使用内存和 JSON 文件存储交互数据，通过自然语言处理技术将文本转换为嵌入向量，基于余弦相似度算法进行相似性检索。
- 应用场景：适用于聊天机器人、虚拟助手、教育软件、推荐系统和健康监测等场景。
Memoripy 是什么
Memoripy 是一个专为 AI 应用设计的 Python 库，旨在为系统提供上下文感知的记忆管理能力。该库通过存储并管理用户交互中的记忆，帮助 AI 系统在多轮对话或长期使用中，持续提供个性化和智能的响应。
Memoripy 的核心功能包括：
- 短期和长期记忆存储：Memoripy 支持将交互数据存储在内存或 JSON 文件中，并根据记忆的重要性进行衰减和强化。
- 概念提取与嵌入生成：通过自然语言处理技术，Memoripy 能够从文本中提取关键信息，并将其转换为嵌入向量，支持基于余弦相似度的相似性检索。
- 记忆衰减与强化：通过自定义的记忆衰减和强化机制，Memoripy 可以管理记忆的生命周期，确保最相关的记忆得到强化，而不再使用的记忆逐步衰减。
Memoripy 的这些功能使得它非常适合用于需要上下文理解的 AI 应用场景，如聊天机器人、虚拟助手、教育软件等。
如何运行 Memoripy
你可以通过 pip 安装 Memoripy：
pip install memoripy
以下是一个示例脚本，展示了如何在 Python 脚本中设置和使用 Memoripy：
示例：example.py
from memoripy import MemoryManager, JSONStorage
def main():
# 替换为你的实际 OpenAI API 密钥
api_key = "your-key"
if not api_key:
raise ValueError("请设置你的 OpenAI API 密钥。")
# 定义聊天和嵌入模型
chat_model = "openai" # 选择 'openai' 或 'ollama' 进行聊天
chat_model_name = "gpt-4o-mini" # 具体的聊天模型名称
embedding_model = "ollama" # 选择 'openai' 或 'ollama' 进行嵌入
embedding_model_name = "mxbai-embed-large" # 具体的嵌入模型名称
# 选择存储选项
storage_option = JSONStorage("interaction_history.json")
# 或者使用内存存储：
# from memoripy import InMemoryStorage
# storage_option = InMemoryStorage()
# 初始化 MemoryManager
memory_manager = MemoryManager(
api_key=api_key,
chat_model=chat_model,
chat_model_name=chat_model_name,
embedding_model=embedding_model,
embedding_model_name=embedding_model_name,
storage=storage_option
)
# 新用户提示
new_prompt = "我的名字是 Khazar"
# 加载历史交互（用于提供上下文）
short_term, _ = memory_manager.load_history()
last_interactions = short_term[-5:] if len(short_term) >= 5 else short_term
# 检索相关的历史交互，排除最后 5 条
relevant_interactions = memory_manager.retrieve_relevant_interactions(new_prompt, exclude_last_n=5)
# 生成响应
response = memory_manager.generate_response(new_prompt, last_interactions, relevant_interactions)
# 显示响应
print(f"生成的响应：\n{response}")
# 提取新交互的概念
combined_text = f"{new_prompt} {response}"
concepts = memory_manager.extract_concepts(combined_text)
# 存储新的交互及其嵌入和概念
new_embedding = memory_manager.get_embedding(combined_text)
memory_manager.add_interaction(new_prompt, response, new_embedding, concepts)
if __name__ == "__main__":
main()
类和模块
Memoripy 中包含了多个类和模块，帮助用户高效管理记忆和交互。
- MemoryManager：管理记忆交互，检索相关信息，并基于过去的交互生成响应。
- MemoryStore：存储和组织在短期和长期记忆中的交互，支持基于相关性的聚类和检索。
- InMemoryStorage 和 JSONStorage：分别将记忆存储在内存数据结构或 JSON 文件中。
- BaseStorage：定义存储方法的抽象基类。
核心功能
- 初始化记忆：从选定的存储中加载先前的交互并初始化记忆。
- 添加交互：存储新的交互及其嵌入、概念、提示和输出。
- 检索相关交互：基于查询使用余弦相似度、衰减因子和传播激活搜索过去的交互。
- 生成响应：结合当前提示和检索到的交互生成情境相关的响应。
- 衰减和强化：对未使用的记忆增加衰减，对频繁访问的记忆进行强化。
依赖项
Memoripy 依赖以下几个库，这些库将通过 pip install memoripy 自动安装：
openaifaiss-cpunumpynetworkxscikit-learnlangchainollama
资源
- GitHub 仓库：https://github.com/caspianmoon/memoripy
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
总结
Memoripy 提供了一个非常实用的记忆管理框架，能够使 AI 系统在多轮对话中保持上下文的连贯性，并能根据历史交互生成更为个性化的响应。无论是开发聊天机器人、虚拟助手，还是教育软件、健康监测等，Memoripy 都能提供强大的技术支持，帮助开发者轻松实现上下文感知的记忆管理功能。
