Memary: um projeto de código aberto para aprimorar a memória de longo prazo do agente usando gráficos de conhecimento

Introdução geral

O Memary é um projeto inovador de código aberto voltado para o fornecimento de soluções de gerenciamento de memória de longo prazo para inteligências autônomas. O projeto ajuda as inteligências a romper as limitações das janelas de contexto tradicionais para obter uma experiência de interação mais inteligente por meio de gráficos de conhecimento e módulos de memória especializados. O Memary usa um mecanismo de geração de memória automatizada para atualizar automaticamente as memórias durante as interações da inteligência e exibe essas memórias em um painel unificado. O sistema é compatível com várias configurações de modelos, incluindo modelos Llama e LLaVA executados localmente, bem como modelos GPT na nuvem. Além disso, o Memary oferece suporte a vários gráficos, permitindo que os desenvolvedores criem instâncias independentes de inteligências para diferentes usuários, possibilitando o gerenciamento personalizado da memória.

Arquitetura geral da Memary

Agente de memória

Gráficos de conhecimento da Memary

Módulos de memória

Lista de funções

• Geração e atualização automatizadas de memória
• Armazenamento e recuperação de gráficos de conhecimento
• Entidades de rastreamento de fluxo de memória e registros de data e hora
• Frequência e pontualidade do gerenciamento do EKS (Entity Knowledge Store)
• Métodos de recuperação recursiva para otimizar a pesquisa no gráfico de conhecimento
• O raciocínio multihop oferece suporte ao processamento de consultas complexas
• Suporte a extensões de ferramentas personalizadas
• Gerenciamento de mapeamento de corpos com inteligência múltipla
• Compactação de memória e otimização da janela de contexto
• Extração de tópicos e classificação de entidades
• Função de análise de linha do tempo

Usando a Ajuda

1. configuração da instalação

1.1 Requisitos básicos

• Versão necessária do Python: <= 3.11.9
• Recomenda-se usar um ambiente virtual para a instalação

1.2 Método de instalação
a) Instale usando o pip.

pip install memary

b) Instalação local.

• Criar e ativar um ambiente virtual
• Dependências de instalação. pip install -r requirements.txt

1.3 Configuração do modelo
O Memary suporta dois modos de operação:

• Modo local (padrão): use Ollama modelo operacional
  • LLM: Llama 3 8B/40B (recomendado)
  • Modelo visual: LLaVA (recomendado)
• Modo de nuvem:
  • LLM: gpt-3.5-turbo
  • Modelo de visão: gpt-4-vision-preview

2. preparação ambiental

2.1 Configuração do arquivo .env

OPENAI_API_KEY="SUA_CHAVE_API"
PERPLEXITY_API_KEY="SUA_API_KEY"
GOOGLEMAPS_API_KEY="SUA_API_KEY"
ALPHA_VANTAGE_API_KEY="SUA_API_KEY"
Configuração do banco de dados # (um ou outro):
FALKORDB_URL="falkor://[[nome de usuário]:[senha]]@[falkor_host_url]:porta"
ou
NEO4J_PW="YOUR_NEO4J_PW"
NEO4J_URL="YOUR_NEO4J_URL"

2.2 Atualizar a configuração do usuário

• compilador streamlit_app/data/user_persona.txt Definição das características do usuário
• Opcional: Modificar streamlit_app/data/system_persona.txt Ajuste das características do sistema

3. uso básico

3.1 Inicialização do aplicativo

cd streamlit_app
streamlit run app.py

3.2 Exemplos de código

from memary.agent.chat_agent import ChatAgent
# Inicialização de um ChatAgent
chat_agent = ChatAgent(
"Agente pessoal",
memory_stream_json,
entity_knowledge_store_json,
system_persona_txt,
user_persona_txt,
past_chat_json.
)
# Adição de uma ferramenta personalizada
def multiply(a: int, b: int) -> int.
"""Ferramenta de cálculo de multiplicação""""
retornar a * b
chat_agent.add_tool({"multiply": multiply})
# Remover a ferramenta
chat_agent.remove_tool("multiply")

4. configuração de inteligência múltipla

Aplica-se ao usar o banco de dados FalkorDB:

# Inteligência pessoal do usuário A
chat_agent_user_a = ChatAgent(
"Agente pessoal",
memory_stream_json_user_a,
entity_knowledge_store_json_user_a,
system_persona_txt_user_a,
user_persona_txt_user_a,
past_chat_json_user_a,
user_id='user_a_id'
)
# Inteligência pessoal para o usuário B
chat_agent_user_b = ChatAgent(
"Agente pessoal",
memory_stream_json_user_b,
entity_knowledge_store_json_user_b,
system_persona_txt_user_b,
user_persona_txt_user_b,
past_chat_json_user_b,
user_id='user_b_id'
)

5. recursos de gerenciamento de memória

5.1 Fluxo de memória

• Capturar automaticamente todas as entidades e seus registros de data e hora
• Suporte para análise de linha do tempo
• Função de extração de tema

5.2 Armazenamento de conhecimento de entidades

• Acompanhamento da frequência e pontualidade das citações de entidades
• Classificação da relevância da entidade
• função de classificação de entidades
• Análises de variação temporal

5.3 Funções de mapeamento de conhecimento

• Otimização de pesquisa recursiva
• Suporte ao raciocínio de vários saltos
• Mecanismo de atualização automática