记忆机制设计

记忆机制设计的重要性

用户个性化/长期记忆

有限的大模型上下文窗口

避免多轮对对话主题漂移

Agent记忆包括短期记忆和长期记忆。
记忆内容包括：（1）内部任务信息；（2）跨任务信息；（3）外部知识。

Graphiti

Graphiti 构建了具有时间感知的知识图谱，这些图谱会随着时间推移，随着关系和上下文的变化而演变，从而适应智能体的需求。

Letta

Letta 是一个开源框架，用于构建具有高级推理能力和透明且长期记忆状态的智能体。Letta 框架是 “白盒” 设计，并且与模型无关。此外，它还允许用户在自己的服务器上以可视化方式测试、调试和观察智能体的行为。

Mem0

Mem0 是一个为智能体设计的智能记忆层，能够通过与用户的交互主动学习并适应变化。它结合了大语言模型（LLM）和向量存储技术。LLM 负责从对话中提取关键信息，而向量存储则用于语义搜索和记忆检索。

Memary

Memary 赋予 AI 智能体类似人类的记忆能力。它通过知识图谱跟踪实体知识、偏好和聊天历史记录，并且该知识图谱会随着智能体与用户的交互自动更新。

Cognee

Cognee 是一个 Python 库，将知识图谱与RAG 结合起来，为智能体和应用程序构建不断演化的语义记忆。它利用动态知识图谱来维护不同信息之间的关系。

MIRIX

多智能体个人助手，可以track on-screen activities并智能回答用户问题。
通过捕捉实时视觉数据并将其整合为结构化记忆，将原始输入转化为丰富的知识库，不断自适应用户的数字体验。

挑战

个人助手的记忆：

1. 如何自动识别过去“重要”的事情。
2. 灵感类“闪念”

参考

MIRIX

LLM Memory Blogs

https://yuwang.us/