盤點 6 個開源 AI Memory 項目，RAG≠記憶

RAG 與 AI Memory 不同，AI 智能體需要長期記憶來維持上下文並持續學習。以下是 6 個 100% 開源的 AI 智能體記憶的框架：

  1. Graphiti 爲 AI 智能體構建具有時間感知的知識圖譜，這些圖譜隨着時間、演變的關係和上下文而變化。

github.com/getzep/graphiti

  1. Letta 是一個開源框架，用於構建具有高級推理能力和透明長期記憶的有狀態 AI 智能體。 Letta 框架是白盒的，與模型無關。它還允許你在服務器中以可視化方式測試、調試和觀察智能體。

github.com/letta-ai/letta

  1. Mem0 是一個智能記憶層，供 AI 智能體積極地從與用戶的互動中學習並適應。它結合了 LLM 與向量存儲，LLM 處理來自對話的關鍵信息，而向量存儲則進行語義搜索和記憶檢索。

github.com/mem0ai/mem0

  1. Memary 賦予 AI 智能體類似人類的記憶能力。在知識圖譜中跟蹤實體知識、偏好和聊天曆史記錄，該圖譜會在智能體與用戶交互時自動更新。

github.com/kingjulio8238/Memary

  1. Cognee 是一個 Python 庫，它將知識圖譜和 RAG 結合在一起，爲 AI 智能體和應用程序構建不斷髮展的語義記憶。它使用動態知識圖譜來維護不同信息片段之間的關係。

github.com/topoteretes/cognee

  1. Memobase 是一個基於用戶配置文件的記憶系統，旨在爲您的生成式 AI 應用來長期用戶記憶，並且可以同步進化。它適合用在虛擬角色、教育工具或者個性化助手等構建場景。

github.com/memodb-io/memobase

AI 智能體記憶的工作原理

一般來說，智能體的記憶是通過傳遞給 LLM 的 prompt 中的上下文提供的，它可以幫助智能體更好地規劃和響應過去發生的互動或無法立即獲得的數據。

可以將記憶分爲 4 種類型：

𝟭. 情景記憶：這種類型的記憶包含智能體過去的交互和行爲。在執行一個動作後，控制智能體的應用程序會將該動作存儲在某種持久存儲中，以便在需要時可以檢索。一個很好的例子是使用向量數據庫來存儲交互的語義意義。

𝟮. 語義記憶：智能體可以獲得的任何外部信息以及智能體應具備的關於自身的知識。可以將其視爲類似於 RAG 應用程序中使用的上下文。它可以是智能體專有的內部知識，或者是隔離互聯網規模數據的一部分以獲得更準確答案的基礎上下文。

𝟯. 程序性記憶：這是系統性的信息，例如系統提示的結構、可用工具、保護措施等。通常會存儲在 Git、提示和工具註冊表中。

𝟰. 有些時候，智能體會從長期記憶中提取信息，並在當前任務需要時，將其存儲在本地。

𝟱. 從長期記憶中提取或者存儲在本地記憶中的所有信息都稱爲短期記憶或工作記憶。

通常將 1 至 3 標記爲長期記憶，而將 5 標記爲短期記憶

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/pXTrVBLsp2u9tyisMuG4rQ

猜你喜歡