盘点6个开源AI Memory项目，RAG≠记忆

最新推荐文章于 2025-04-17 10:46:44 发布

Python_金钱豹

最新推荐文章于 2025-04-17 10:46:44 发布

阅读量1.1k

点赞数 28

文章标签：人工智能算法机器学习大数据 embedding

本文链接：https://blog.csdn.net/Python_cocola/article/details/147062464

版权

RAG 与 AI Memory 不同，AI 智能体需要长期记忆来维持上下文并持续学习。以下是 6 个 100% 开源的 AI 智能体记忆的框架：

1. Graphiti 为 AI 智能体构建具有时间感知的知识图谱，这些图谱随着时间、演变的关系和上下文而变化。

github.com/getzep/graphiti

2. Letta 是一个开源框架，用于构建具有高级推理能力和透明长期记忆的有状态 AI 智能体。 Letta 框架是白盒的，与模型无关。它还允许你在服务器中以可视化方式测试、调试和观察智能体。

github.com/letta-ai/letta

3. Mem0 是一个智能记忆层，供 AI 智能体积极地从与用户的互动中学习并适应。它结合了 LLM 与向量存储，LLM 处理来自对话的关键信息，而向量存储则进行语义搜索和记忆检索。

github.com/mem0ai/mem0

4. Memary 赋予 AI 智能体类似人类的记忆能力。在知识图谱中跟踪实体知识、偏好和聊天历史记录，该图谱会在智能体与用户交互时自动更新。

github.com/kingjulio8238/Memary

5. Cognee 是一个 Python 库，它将知识图谱和 RAG 结合在一起，为 AI 智能体和应用程序构建不断发展的语义记忆。它使用动态知识图谱来维护不同信息片段之间的关系。

github.com/topoteretes/cognee

6. Memobase 是一个基于用户配置文件的记忆系统，旨在为您的生成式 AI 应用来长期用户记忆，并且可以同步进化。它适合用在虚拟角色、教育工具或者个性化助手等构建场景。

github.com/memodb-io/memobase

AI 智能体记忆的工作原理

一般来说，智能体的记忆是通过传递给 LLM 的 prompt 中的上下文提供的，它可以帮助智能体更好地规划和响应过去发生的互动或无法立即获得的数据。

可以将记忆分为 4 种类型：

𝟭. 情景记忆：这种类型的记忆包含智能体过去的交互和行为。在执行一个动作后，控制智能体的应用程序会将该动作存储在某种持久存储中，以便在需要时可以检索。一个很好的例子是使用向量数据库来存储交互的语义意义。

𝟮. 语义记忆：智能体可以获得的任何外部信息以及智能体应具备的关于自身的知识。可以将其视为类似于 RAG 应用程序中使用的上下文。它可以是智能体专有的内部知识，或者是隔离互联网规模数据的一部分以获得更准确答案的基础上下文。

𝟯. 程序性记忆：这是系统性的信息，例如系统提示的结构、可用工具、保护措施等。通常会存储在 Git、提示和工具注册表中。

𝟰. 有些时候，智能体会从长期记忆中提取信息，并在当前任务需要时，将其存储在本地。

𝟱. 从长期记忆中提取或者存储在本地记忆中的所有信息都称为短期记忆或工作记忆。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述