mirror of
https://github.com/agentscope-ai/ReMe.git
synced 2026-09-09 22:31:05 +00:00
124 lines
7.2 KiB
Markdown
124 lines
7.2 KiB
Markdown
[**English**](./README.md) | 中文 | [**日本語**](./README_JP.md)
|
||
|
||
# MemoryScope
|
||
<p align="center">
|
||
<img src="./docs/images/logo.png" alt="MemoryScopeLogo" width="75%">
|
||
</p>
|
||
为您的大语言模型聊天机器人配备强大且灵活的长期记忆系统。
|
||
|
||
[](https://pypi.org/project/memoryscope/)
|
||
[](https://pypi.org/project/memoryscope/)
|
||
[](./LICENSE)
|
||
[](https://modelscope.github.io/MemoryScope/zh/index.html#id1)
|
||
[](https://modelscope.github.io/MemoryScope/zh/docs/api.html)
|
||
[](https://modelscope.github.io/MemoryScope/zh/docs/contribution.html)
|
||
|
||
<!-- 创空间
|
||
[](https://modelscope.cn/studios?name=memoryscope&page=1&sort=latest)
|
||
-->
|
||
|
||
|
||
----
|
||
## 📰 新闻
|
||
|
||
- **[2024-09-10]** 我们现在发布了 MemoryScope v0.1.1.0，该版本也可以在 [PyPI](https://pypi.org/simple/memoryscope/) 上获取！
|
||
----
|
||
|
||
## 🌟 什么是MemoryScope？
|
||
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”。
|
||
|
||
### Demo
|
||
<p align="center">
|
||
<img src="https://github.com/user-attachments/assets/57519274-8c01-4d88-bcd2-0ebce3551e5d" alt="zh_demo" width="75%">
|
||
</p>
|
||
|
||
|
||
### 核心框架：
|
||
<p align="center">
|
||
<img src="./docs/images/framework.png" alt="Framework" width="75%">
|
||
</p>
|
||
|
||
💾 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。
|
||
|
||
### 🤝主要特点
|
||
|
||
⚡ 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。
|
||
|
||
----
|
||
|
||
## 💼 支持的模型API
|
||
|
||
| 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
|
||
|
||
----
|
||
## 🚀 安装
|
||
完整的安装方法请参考[安装指南](docs/installation_zh.md)。
|
||
|
||
## 🍕 快速开始
|
||
- [简易用法（快速开始）](./examples/api/simple_usages_zh.ipynb)
|
||
- [在命令行与MemoryScope聊天机器人交互](./examples/cli/CLI_README_ZH.md)
|
||
- [进阶自定义用法](./examples/advance/custom_operator.md)
|
||
- [结合AutoGen使用](./examples/api/autogen_example.md)
|
||
|
||
|
||
## 💡 代码贡献
|
||
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。
|
||
```shell
|
||
pip install -e .
|
||
pre-commit install
|
||
```
|
||
请参阅我们的[贡献指南](./docs/contribution_zh.md) 了解更多详细信息。
|
||
|
||
## 📖 引用
|
||
|
||
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}
|
||
}
|
||
```
|