▼最近直播超级多，预约保你有收获
今晚直播：《多模态大模型落地实践》
—1—
Mem0 AI 是什么？
Mem0 AI 为大模型（LLMs）提供了一个智能、自我提升的记忆层，使得在跨应用程序中实现个性化的人工智能体验成为可能。
Mem0 在 GitHub 上开源后，仅用一天时间便获得了超万个星标，超越了 RAG，为大型语言模型（LLMs）和智能体（Agents）提供了持久的记忆功能。
Github 地址：https://github.com/mem0ai/mem0
Mem0 AI 具备以下几个关键特性：
用户、会话和AI Agent 记忆：在用户会话、交互和 AI Agent 之间保留信息，确保连续性和上下文。
自适应个性化：根据用户交互和反馈不断改进个性化。
开发者友好的API：提供一个简单的API，以便无缝集成到各种应用程序中。
平台一致性：确保在不同平台和设备上行为和数据的一致性。
托管服务：提供一个托管解决方案，便于部署和维护。
—2—
Mem0 AI 有哪些使用场景？如何使用？
Mem0 AI 在助手类和 Agent 类等场景都可以很好地使用。
借助 Mem0，可以构建基于大型语言模型（LLMs）的有状态应用程序，Mem0 通过提供一个响应式的记忆层来提升应用性能，使得大模型应用程序：
更加个性化；
更具可靠性；
通过减少与 LLM 的交互次数来降低成本；
更具吸引力；
实现长期记忆功能。
第一、个性化学习助手
长期记忆使学习助手能够记住用户的偏好、过去的交互和进度，提供更加量身定制且有效的学习体验。
第二、客户支持 AI Agent
通过保留先前交互的信息，客户支持机器人能够提供更准确且具有上下文感知能力的帮助，从而提高客户满意度并减少问题解决时间。
第三、医疗助手
长期记忆使医疗助手能够跟踪患者的病史、用药计划和治疗方案，确保提供个性化和一致的护理。
第四、虚拟伴侣
虚拟伴侣可以利用长期记忆来记住个人细节、偏好和过去的对话，从而与用户建立更深层次的关系，使互动更加有意义。
第五、生产力工具
长期记忆帮助生产力工具记住用户习惯、常用的文档和任务历史，从而简化工作流程并提高效率。
第六、游戏 AI & NPC
在游戏中，具有长期记忆的 AI 可以记住玩家的选择、策略和进度，相应地调整游戏环境，从而创造更加沉浸式的体验。
—3—
Mem0 AI 和 RAG 有哪些不同？
Mem0 针对大型语言模型（LLMs）的记忆实现与检索增强生成（RAG）相比具有几个优势：
实体关系：Mem0 能够理解和关联不同交互中的实体，而 RAG 则是从静态文档中检索信息。这使得对上下文和关系的理解更加深入。
最近性、相关性和衰减：Mem0 优先考虑最近的交互，并逐渐忘记过时的信息，确保记忆保持相关性和最新性，以提供更准确的响应。
上下文连续性：Mem0 在会话之间保留信息，保持对话和交互的连续性，这对于虚拟伴侣或个性化学习助手等长期参与型应用至关重要。
适应性学习：Mem0 根据用户交互和反馈改进个性化，随着时间的推移使记忆更加准确，更加符合个人用户的需求。
动态更新：Mem0 可以动态地用新信息和交互更新其记忆，而 RAG 依赖于静态数据。这允许实时调整和改进，增强用户体验。
这些先进的记忆功能使 Mem0 成为开发者创建个性化和具有上下文感知能力的AI 大模型应用的一个强大工具。
—4—
Mem0 AI 打造客户支持 AI Agent 案例实战
如上述介绍，客户支持 AI Agent 利用 Mem0 在交互中保留信息，从而实现个性化和高效的支持体验。
第一步：安装 Mem0 AI
pip install openai mem0ai第二步：客户支持 AI Agent 完整代码
以下是使用 Mem0 创建并与客户支持 AI Agent 进行交互的简化代码：
from openai import OpenAI
from mem0 import Memory
# Set the OpenAI API key
os.environ['OPENAI_API_KEY'] = 'sk-xxx'
class CustomerSupportAIAgent:
def __init__(self):
"""
Initialize the CustomerSupportAIAgent with memory configuration and OpenAI client.
"""
config = {
"vector_store": {
"provider": "qdrant",
"config": {
"host": "localhost",
"port": 6333,
}
},
}
self.memory = Memory.from_config(config)
self.client = OpenAI()
self.app_id = "customer-support"
def handle_query(self, query, user_id=None):
"""
Handle a customer query and store the relevant information in memory.
:param query: The customer query to handle.
:param user_id: Optional user ID to associate with the memory.
"""
# Start a streaming chat completion request to the AI
stream = self.client.chat.completions.create(
model="gpt-4",
stream=True,
messages=[
{"role": "system", "content": "You are a customer support AI agent."},
{"role": "user", "content": query}
]
)
# Store the query in memory
self.memory.add(query, user_id=user_id, metadata={"app_id": self.app_id})
# Print the response from the AI in real-time
for chunk in stream:
if chunk.choices[0].delta.content is not None:
print(chunk.choices[0].delta.content, end="")
def get_memories(self, user_id=None):
"""
Retrieve all memories associated with the given customer ID.
:param user_id: Optional user ID to filter memories.
:return: List of memories.
"""
return self.memory.get_all(user_id=user_id)
# Instantiate the CustomerSupportAIAgent
support_agent = CustomerSupportAIAgent()
# Define a customer ID
customer_id = "jane_doe"
# Handle a customer query
support_agent.handle_query("I need help with my recent order. It hasn't arrived yet.", user_id=customer_id)第三步：获取记忆
您可以在任何时间点使用以下代码获取所有记忆：
memories = support_agent.get_memories(user_id=customer_id)
for m in memories:
print(m['text'])第四步：关键点
初始化：CustomerSupportAIAgent 类使用必要的记忆配置和 OpenAI 客户端设置进行初始化。
处理查询：handle_query 方法将查询发送给 AI，并将相关信息存储在记忆中。
检索记忆：get_memories 方法获取与客户关联的所有存储记忆。
第五步：总结
随着对话的进行，Mem0 的记忆会根据交互自动更新，提供不断改进的个性化支持体验。
—5—
AI 大模型应用落地直播课
为了帮助同学们彻底掌握 AI 大模型的应用落地实战技能，包括：记忆、RAG、Agent、微调、Prompt、知识图谱、向量数据库等，今天的直播和同学们深度剖析，请同学们点击以下预约按钮免费预约。
—6—
加我微信
有很多企业级落地实战案例，不方便公开发公众号，我会直接分享在朋友圈，欢迎你扫码加我个人微信来看👇
⬇戳”阅读原文“，立即预约！
END
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
