人工智能浪潮席卷而来，大型语言模型（LLM）在自然语言处理领域展现出惊人的能力。然而，LLM 仍然存在一个关键的限制：有限的上下文窗口。这意味着 LLM 只能处理有限长度的文本输入，无法有效地利用历史信息和长期记忆，从而限制了 LLM 在需要长期记忆的场景中的应用，例如对话系统和自主智能体。

Memary项目应运而生，旨在解决 LLM 的上下文窗口限制问题，为自主智能体提供长期记忆能力。通过将信息存储在知识图谱中，并通过记忆模块推断用户知识，Memary 使智能体能够仅检索相关信息来生成更有意义的响应。

Memary的功能

路由代理：Memary 集成了 ReAct 代理，可以根据查询内容在多个工具之间进行路由，例如位置识别、图像分析和知识图谱搜索。这使得智能体能够根据不同的任务选择合适的工具，并有效地获取所需信息。例如，当用户询问“附近的咖啡馆”时，路由代理会选择位置识别工具来确定用户的位置，并使用谷歌地图查找附近的咖啡馆。

知识图谱创建和检索：Memary 利用 Neo4j 图数据库构建知识图谱，用于存储信息和实体之间的关系。智能体可以将信息存储在知识图谱中，并通过查询检索相关信息。例如，当用户询问“苹果公司的 CEO 是谁”时，智能体可以查询知识图谱并找到答案是“蒂姆·库克”。

记忆流：Memary 的记忆流使用实体提取技术跟踪存储在知识图谱中的所有实体，并记录它们出现的时间戳。这反映了用户知识的广度，即用户接触过哪些概念。例如，如果用户经常询问与科技相关的问题，那么记忆流中就会包含很多科技相关的实体，例如“人工智能”、“机器学习”等。

实体知识库：Memary 的实体知识库跟踪记忆流中每个实体的引用频率和时间，并对实体进行排序。这反映了用户知识的深度，即用户对哪些概念更熟悉。例如，如果用户经常询问与人工智能相关的问题，那么“人工智能”这个实体在实体知识库中的排名就会比较靠前。

Memary的工作原理

Memary的核心组件包括路由代理、知识图谱和记忆模块。当用户输入查询时，路由代理会根据查询内容选择合适的工具，并执行查询。查询结果会被存储在知识图谱中，并更新记忆流和实体知识库。记忆模块会根据实体知识库中排名靠前的 N 个实体生成摘要，并将其与查询历史一起传递给 LLM 进行推理。

路由代理：路由代理使用 ReAct 代理框架实现，可以根据预定义的规则和工具的功能选择合适的工具执行查询。例如，如果查询包含“位置”关键词，路由代理会选择位置识别工具；如果查询包含“图片”关键词，路由代理会选择图像分析工具。

知识图谱：知识图谱使用 Neo4j 图数据库构建，并使用 Llamaindex 和 Perplexity 等工具将信息和实体添加到图谱中。例如，可以使用 Llamaindex 将维基百科的文章转换为知识图谱，可以使用 Perplexity 将用户的查询历史转换为知识图谱。

记忆模块：记忆模块由记忆流和实体知识库组成，并使用特定的算法计算实体的排名和生成摘要。例如，可以使用 TF-IDF 算法计算实体的权重，并根据权重对实体进行排序。可以使用 TextRank 算法生成实体的摘要。

未来集成

Memary计划在未来集成多处理功能，使代理能够同时处理多个子查询。此外，Memary 还将集成查询分解和重新排序技术，进一步提高响应的相关性和准确性。

多处理功能：多处理功能将允许代理同时处理多个子查询，从而提高响应速度和效率。例如，当用户询问“附近的咖啡馆和餐厅”时，代理可以同时处理“附近的咖啡馆”和“附近的餐厅”两个子查询，并将结果合并后返回给用户。

查询分解：查询分解技术将复杂查询分解为更简单的子查询，以便代理更容易理解和处理。例如，当用户询问“苹果公司的 CEO 是谁，他毕业于哪所大学”时，查询分解技术可以将查询分解为“苹果公司的 CEO 是谁”和“蒂姆·库克毕业于哪所大学”两个子查询。

重新排序：重新排序技术将根据相关性对代理的响应进行排序，确保最相关的响应排在最前面。例如，当用户询问“附近的咖啡馆”时，重新排序技术可以将距离用户最近的咖啡馆排在最前面。

Memary的核心代理实现逻辑

Memary的核心代理实现逻辑基于 BaseMemory 抽象类、MemoryStream 类和 EntityKnowledgeStore 类，主要功能包括记忆管理、知识图谱更新和实体知识提取。

BaseMemory抽象类

•功能： 定义了记忆管理的基本操作，包括初始化记忆、加载记忆、添加记忆、获取记忆、删除旧记忆和保存记忆等。

•属性：

file_name：存储记忆的文件名。

entity：实体名称。

memory：存储记忆数据的列表。

•方法：

__len__()：返回记忆中的项目数量。

init_memory()：初始化记忆。

load_memory_from_file()：从文件中加载记忆。

add_memory(data)：添加新的记忆数据。

get_memory()：获取记忆数据。

remove_old_memory(days)：删除指定天数之前的旧记忆。

save_memory()：将记忆保存到文件中。

MemoryStream类

•功能： 继承自 BaseMemory 类，实现了记忆流的管理功能，包括添加记忆和获取记忆等。记忆流记录了所有实体及其出现的时间戳，反映了用户知识的广度。

•属性：

memory：存储记忆流数据的列表。

•方法：

init_memory()：初始化记忆流，加载已有的记忆流数据，并根据传入的实体添加新的记忆。

add_memory(entities)：将实体列表转换为记忆流数据，并添加到记忆流中。

get_memory()：获取记忆流数据。

EntityKnowledgeStore类

•功能： 继承自 BaseMemory 类，实现了实体知识库的管理功能，包括将记忆流转换为知识记忆、更新知识记忆和获取知识记忆等。实体知识库记录了每个实体的出现次数和最近出现时间，反映了用户知识的深度。

•属性：

knowledge_memory：存储知识记忆数据的列表。

•方法：

init_memory()：初始化知识记忆，加载已有的知识记忆数据，并根据传入的实体添加新的知识记忆。

load_memory_from_file()：从文件中加载知识记忆数据。

add_memory(memory_stream)：将记忆流转换为知识记忆，并更新知识记忆。

_update_knowledge_memory(knowledge_memory)：使用新的知识记忆项目更新知识记忆。

_convert_memory_to_knowledge_memory(memory_stream)：将记忆流转换为知识记忆列表。

get_memory()：获取知识记忆数据。

核心代理实现逻辑

•初始化： Memary 代理初始化时，会创建一个 MemoryStream 对象和一个 EntityKnowledgeStore 对象，分别用于管理记忆流和实体知识库。

•处理查询： 当用户输入查询时，代理会使用路由代理选择合适的工具执行查询，并将查询结果存储在知识图谱中。

•更新记忆： 代理会将查询结果中的实体提取出来，并添加到 MemoryStream 对象中。然后，代理会将 MemoryStream 对象中的数据传递给 EntityKnowledgeStore 对象，更新实体知识库。

•生成响应： 代理会根据实体知识库中排名靠前的 N 个实体生成摘要，并将其与查询历史一起传递给 LLM 进行推理，最终生成响应。

memory_stream与 entity_knowledge_store 的作用和差别

•memory_stream： 记忆流记录了所有实体及其出现的时间戳，反映了用户知识的广度，即用户接触过哪些概念。

•entity_knowledge_store： 实体知识库记录了每个实体的出现次数和最近出现时间，反映了用户知识的深度，即用户对哪些概念更熟悉。

•差别： 记忆流关注的是实体出现的顺序和时间，而实体知识库关注的是实体出现的频率和时间。记忆流可以用来分析用户兴趣的变化趋势，而实体知识库可以用来确定用户最熟悉的概念。

结语

记忆是智能体发展的重要基石。如同人类依赖记忆进行学习、推理和决策，智能体也需要记忆来理解上下文、积累经验并做出明智的行动。Memary 项目正是为解决这一需求而生，它为自主智能体提供了长期记忆能力，使其能够突破 LLM 有限上下文窗口的限制，在与用户交互的过程中不断学习和成长。

知识图谱优于其他知识存储方式：Memary 认为，知识图谱比其他知识存储方式更适合存储和检索信息，因为它能够更好地捕捉实体之间的关系，并提供更深入的上下文信息。例如，在问答系统中，知识图谱可以帮助系统理解问题中实体之间的关系，并找到更准确的答案。相比之下，传统的数据库只能存储实体的属性，而无法存储实体之间的关系。

记忆模块有效提升 LLM 性能：Memary 的记忆模块通过跟踪用户知识的广度和深度，并将其传递给 LLM，能够有效提升 LLM 的推理能力和响应的相关性。例如，在对话系统中，记忆模块可以帮助系统记住用户的兴趣和偏好，并生成更个性化的响应。相比之下，传统的 LLM 只能根据当前的输入生成响应，而无法利用历史信息。

项目地址：https://github.com/kingjulio8238/memary