---

一、关于 Mem0

Personalized AI 的内存层

Mem0为大型语言模型提供智能、自我改进的内存层，实现跨应用程序的个性化AI体验。

• Mem0 Slack : https://mem0.ai/slack
• 官方文档：https://docs.mem0.ai/overview
• Mem0 Discord : https://mem0.ai/discord
• Mem0 Twitter : https://x.com/mem0ai
• Y Combinator S24 : https://www.ycombinator.com/companies/mem0
• mem0ai npm package : https://www.npmjs.com/package/mem0ai
• mem0ai Python package on PyPi : https://pypi.python.org/pypi/mem0ai

注意：Mem0存储库现在还包括Embedchain项目，我们继续维护和支持Embedchain❤️，您可以在嵌入链目录中找到Embedchain代码库。

---

核心功能🔑

• 多级内存：用户、会话和AI代理内存保留
• 自适应个性化：基于交互的持续改进
• 开发人员友好的API：简单集成到各种应用程序中
• 跨平台一致性：跨设备的统一行为
• 托管服务：无忧的托管解决方案

---

路线图 🗺️

• 与各种LLM提供商集成
• 支持LLM框架
• 与AI代理框架集成
• 可定制的内存创建/更新规则
• 托管平台支持

---

常见用例

• 个性化学习助手：长期记忆允许学习助手记住用户偏好、过去的交互和进度，提供更量身定制和有效的学习体验。
• 客户支持AI代理：通过保留以前交互中的信息，客户支持机器人可以提供更准确和上下文感知的帮助，提高客户满意度并缩短解决时间。
• 医疗助理：长期记忆使医疗助理能够跟踪患者病史、用药时间表和治疗计划，确保个性化和一致的护理。
• 虚拟同伴：虚拟同伴可以通过记住个人细节、偏好和过去的对话，利用长期记忆与用户建立更深层次的关系，使互动更有意义。
• 生产力工具：长期记忆有助于生产力工具记住用户习惯、常用文档和任务历史记录，简化工作流程并提高效率。
• 游戏AI：在游戏中，具有长期记忆的AI可以通过记住玩家的选择、策略和进度来创造更身临其境的体验，从而相应地调整游戏环境。

---

Mem0与RAG有何不同？

与检索增强生成（RAG）相比，Mem0的大型语言模型（LLM）内存实现提供了几个优势：

• 实体关系：Mem0可以跨不同的交互理解和关联实体，不像RAG从静态文档中检索信息。这导致对上下文和关系的更深入理解。
• 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，确保记忆保持相关和最新，以获得更准确的响应。
• 上下文连续性：Mem0跨会话保留信息，保持对话和交互的连续性，这对于虚拟同伴或个性化学习助手等长期参与应用程序至关重要。
• 自适应学习：Mem0根据用户交互和反馈改进其个性化，随着时间的推移使记忆更加准确并为个人用户量身定制。
• 动态更新：Mem0可以使用新的信息和交互动态更新其内存，这与依赖静态数据的RAG不同。这允许实时调整和改进，增强用户体验。

这些先进的内存功能使Mem0成为旨在创建个性化和上下文感知AI应用程序的开发人员的强大工具。

---

二、快速入门 🚀

---

1、安装

pip install mem0ai

---

2、基本用法（开源）

如果您正在寻找托管版本并且不想自己设置基础设施，请查看Mem0平台文档以在几分钟内开始使用。

import os
from mem0 import Memoryos.environ["OPENAI_API_KEY"] = "xxx"# Initialize Mem0
m = Memory()# Store a memory from any unstructured text
result = m.add("I am working on improving my tennis skills. Suggest some online courses.", user_id="alice", metadata={"category": "hobbies"})
print(result)
# Created memory: Improving her tennis skills. Looking for online suggestions.# Retrieve memories
all_memories = m.get_all()
print(all_memories)# Search memories
related_memories = m.search(query="What are Alice's hobbies?", user_id="alice")
print(related_memories)# Update a memory
result = m.update(memory_id="m1", data="Likes to play tennis on weekends")
print(result)# Get memory history
history = m.history(memory_id="m1")
print(history)

---

---

3、高级用法🔧

对于生产环境，您可以使用Qdrant作为矢量存储：

from mem0 import Memoryconfig = {"vector_store": {"provider": "qdrant","config": {"host": "localhost","port": 6333,}},
}m = Memory.from_config(config)

---

4、大模型支持

更多可见：https://docs.mem0.ai/llms

这里以 openai 为例

要使用OpenAI LLM模型，必须设置OPENAI_API_KEY环境变量，可以从OpenAI平台获取OpenAI API密钥。

获得密钥后，您可以这样使用它：

import os
from mem0 import Memoryos.environ["OPENAI_API_KEY"] = "your-api-key"config = {"llm": {"provider": "openai","config": {"model": "gpt-4o","temperature": 0.2,"max_tokens": 1500,}}
}m = Memory.from_config(config)
m.add("Likes to play cricket on weekends", user_id="alice", metadata={"category": "hobbies"})

---

三、MultiOn

构建个人浏览器代理 会记住用户偏好 并自动执行Web任务。

它将用于内存管理的Mem0 与用于执行浏览器操作的MultiOn 集成在一起，从而实现个性化和高效的Web交互。

1、概览

在这个例子中，我们将创建一个基于浏览器的人工智能代理，在 arxiv.org 上搜索与用户研究兴趣相关的研究论文。

2、设置和配置

安装必要的库：

pip install mem0ai multion

---

首先，我们将导入必要的库并设置我们的配置。

import os
from mem0 import Memory
from multion.client import MultiOn# Configuration
OPENAI_API_KEY = 'sk-xxx'  # Replace with your actual OpenAI API key
MULTION_API_KEY = 'your-multion-key'  # Replace with your actual MultiOn API key
USER_ID = "deshraj"# Set up OpenAI API key
os.environ['OPENAI_API_KEY'] = OPENAI_API_KEY# Initialize Mem0 and MultiOn
memory = Memory()
multion = MultiOn(api_key=MULTION_API_KEY)

---

4、将记忆添加到Mem0

接下来，我们将定义我们的用户数据并将其添加到Mem0。

# Define user data
USER_DATA = """
About me
- I'm Deshraj Yadav, Co-founder and CTO at Mem0, interested in AI and ML Infrastructure.
- Previously, I was a Senior Autopilot Engineer at Tesla, leading the AI Platform for Autopilot.
- I built EvalAI at Georgia Tech, an open-source platform for evaluating ML algorithms.
- Outside of work, I enjoy playing cricket in two leagues in the San Francisco.
"""# Add user data to memory
memory.add(USER_DATA, user_id=USER_ID)
print("User data added to memory.")

---

5、检索相关记忆

现在，我们将定义搜索命令并从Mem0中检索相关内存。

# Define search command and retrieve relevant memories
command = "Find papers on arxiv that I should read based on my interests."relevant_memories = memory.search(command, user_id=USER_ID, limit=3)
relevant_memories_text = '\n'.join(mem['text'] for mem in relevant_memories)
print(f"Relevant memories:")
print(relevant_memories_text)

6、浏览arxiv

最后，我们将使用MultiOn根据我们的命令和相关记忆浏览arxiv。

# Create prompt and browse arXiv
prompt = f"{command}\n My past memories: {relevant_memories_text}"
browse_result = multion.browse(cmd=prompt, url="https://arxiv.org/")
print(browse_result)

---

7、结论

通过将Mem0与MultiOn集成，您创建了一个个性化的浏览器代理，可以记住用户偏好并自动执行web任务。

有关更多详细信息和高级用法，请参阅完整recipe：https://github.com/mem0ai/mem0/blob/main/cookbooks/mem0-multion.ipynb 。

---

2024-07-23（二）