要点
看下，如何结合 Mem0 编写 app
- memory 先 search
- 将 search 得到的 memory 附在 prompt 中发给 LLM
- 最后 memory add
概述
如何在现有应用程序中使用Mem0？
使用Mem0，你可以创建基于大型语言模型的有状态应用程序，如聊天机器人、虚拟助手或AI代理。Mem0通过提供一个记忆层来增强你的应用程序，使响应：
- 更加个性化
- 更加可靠
- 通过减少大型语言模型交互次数来降低成本
- 更加吸引人
- 支持长期记忆
示例
以下是一些关于如何将Mem0集成到各种应用程序中的示例：
个性化AI导师
您可以使用Mem0创建一个个性化的AI导师。本指南将引导您完成必要的步骤，并提供完整的代码以帮助您入门。
概述
个性化AI导师利用Mem0在交互过程中保留信息，从而实现定制的学习体验。通过与OpenAI的GPT-4模型集成，导师可以为用户查询提供详细且具有上下文感知的响应。
设置
在开始之前，请确保您已安装所需的依赖项。您可以使用pip安装必要的软件包：
pip install openai mem0ai
完整代码示例
以下是使用Mem0创建和与个性化AI导师互动的完整代码：
from openai import OpenAI
from mem0 import Memory
import os
# 设置OpenAI API密钥
os.environ['OPENAI_API_KEY'] = 'sk-xxx'
# 初始化OpenAI客户端
client = OpenAI()
class PersonalAITutor:
def __init__(self):
"""
初始化PersonalAITutor，配置内存和OpenAI客户端。
"""
config = {
"vector_store": {
"provider": "qdrant",
"config": {
"host": "localhost",
"port": 6333,
}
},
}
self.memory = Memory.from_config(config)
self.client = client
self.app_id = "app-1"
def ask(self, question, user_id=None):
"""
向AI提问并将相关信息存储在内存中
:param question: 提问的问题。
:param user_id: 可选的用户ID，用于关联内存。
"""
# 向AI发送一个流式聊天完成请求
stream = self.client.chat.completions.create(
model="gpt-4",
stream=True,
messages=[
{
"role": "system", "content": "你是一个个人AI导师。"},
{
"role": "user", "content": question}
]
)
# 将问题存储在内存中
self.memory.add(question, user_id=user_id, metadata={
"app_id": self.app_id})
# 实时打印AI的响应
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):
"""
获取与给定用户ID关联的所有记忆。
:param user_id: 可选的用户ID，用于过滤记忆。
:return: 记忆列表。
"""
return self.memory.get_all(user_id=user_id)
# 实例化PersonalAITutor
ai_tutor = PersonalAITutor()
# 定义一个用户ID
user_id = "从零开始学AI"
# 提问
ai_tutor.ask("我在学习计算机科学入门。什么是队列？简要说明。", user_id=user_id)
获取记忆
您可以随时使用以下代码获取所有记忆：
memories = ai_tutor.get_memories(user_id=user_id)
for m in memories:
print(m['text'])
关键点
- 初始化：PersonalAITutor类通过必要的内存配置和OpenAI客户端设置进行初始化。
- 提问：ask方法向AI发送问题，并将相关信息存储在内存中。
- 获取记忆：get_memories方法获取与用户关联的所有存储记忆。
结论
随着对话的进行，Mem0的记忆会根据交互自动更新，提供持续改进的个性化学习体验。此设置确保AI导师能够提供上下文相关且准确的响应，增强整体教育过程。
客户支持AI代理
您可以使用Mem0创建一个个性化的客户支持AI代理。本指南将引导您完成必要的步骤，并提供完整的代码以帮助您入门。
概述
客户支持AI代理利用Mem0在交互过程中保留信息，从而实现个性化和高效的支持体验。
设置
使用pip安装必要的软件包：
pip install openai mem0ai
完整代码示例
以下是使用Mem0创建和与客户支持AI代理互动的简化代码：
from openai import OpenAI
from mem0 import Memory
import os
# 设置OpenAI API密钥
os.environ['OPENAI_API_KEY'] = 'sk-xxx'
class CustomerSupportAIAgent:
def __init__(self):
"""
初始化CustomerSupportAIAgent，配置内存和OpenAI客户端。
"""
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):
"""
处理客户查询并将相关信息存储在内存中。
:param query: 处理的客户查询。
:param user_id: 可选的用户ID，用于关联内存。
"""
# 向AI发送一个流式聊天完成请求
stream = self.client.chat.completions.create(
model="gpt-4",
stream=True,
messages=[
{
"role": "system", "content": "你是一个客户支持AI代理。"},
{
"role": "user", "content": query}
]
)
# 将查询存储在内存中
self.memory.add(query, user_id=user_id, metadata={
"app_id": self.app_id})
# 实时打印AI的响应
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):
"""
获取与给定客户ID关联的所有记忆。
:param user_id: 可选的用户ID，用于过滤记忆。
:return: 记忆列表。
"""
return self.memory.get_all(user_id=user_id)
# 实例化CustomerSupportAIAgent
support_agent = CustomerSupportAIAgent()
# 定义一个客户ID
customer_id = "从零开始学AI"
# 处理客户查询
support_agent.handle_query("我需要帮助处理我的最近订单。它还没有到达。", user_id=customer_id)
获取记忆
您可以随时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'])
关键点
- 初始化：CustomerSupportAIAgent类通过必要的内存配置和OpenAI客户端设置进行初始化。
- 处理查询：handle_query方法向AI发送查询，并将相关信息存储在内存中。
- 获取记忆：get_memories方法获取与客户关联的所有存储记忆。
结论
随着对话的进行，Mem0的记忆会根据交互自动更新，提供持续改进的个性化支持体验。
个性化AI旅行助手
使用Mem0创建一个个性化AI旅行助手。本指南提供分步指导和完整的代码以帮助您开始。
概述
个性化AI旅行助手使用Mem0在交互之间存储和检索信息，提供量身定制的旅行规划体验。它与OpenAI的GPT-4模型集成，以提供详细且具有上下文意识的用户查询响应。
设置
使用pip安装所需的依赖项：
pip install openai mem0ai
完整代码示例
以下是使用Mem0创建和与个性化AI旅行助手交互的完整代码：
import os
from openai import OpenAI
from mem0 import Memory
# 设置OpenAI API密钥
os.environ['OPENAI_API_KEY'] = 'sk-xxx'
class PersonalTravelAssistant:
def __init__(self):
self.client = OpenAI()
self.memory = Memory()
self.messages = [{
"role": "system", "content": "You are a personal AI Assistant."}]
def ask_question(self, question, user_id):
# 检索之前相关的记忆
previous_memories = self.search_memories(question, user_id=user_id)
prompt = question
if previous_memories:
prompt = f"用户输入：{question}\n 之前的记忆：{previous_memories}"
self.messages.append({
"role": "user", "content": prompt})
# 使用GPT-4o生成响应
response = self.client.chat.completions.create(
model="gpt-4o",
messages=self.messages
)
answer = response.choices[0].message.content
self.messages.append({
"role": "assistant", "content": answer})
# 将问题存储在记忆中
self.memory.add(question, user_id=user_id)
return answer
def get_memories(self, user_id):
memories = self.memory.get_all(user_id=user_id)
return [m['text'] for m in memories]
def search_memories(self, query, user_id):
memories = self.memory.search(query, user_id=user_id)
return [m['text'] for m in memories]
# 使用示例
user_id = "从零开始学AI"
ai_assistant = PersonalTravelAssistant()
def main():
while True:
question = input("问题：")
if question.lower() in ['q', 'exit']:
print("退出...")
break
answer = ai_assistant.ask_question(question, user_id=user_id)
print(f"答案：{answer}")
memories = ai_assistant.get_memories(user_id=user_id)
print("记忆：")
for memory in memories:
print(f"- {memory}")
print("-----")
if __name__ == "__main__":
main()
关键组件
- 初始化：PersonalTravelAssistant类使用OpenAI客户端和Mem0记忆设置进行初始化。
- 提问：ask_question方法向AI发送问题，结合之前记忆，并存储新信息。
- 记忆管理：get_memories和search_memories方法处理存储记忆的检索和搜索。
使用
- 在环境变量中设置您的OpenAI API密钥。
- 实例化PersonalTravelAssistant。
- 使用main()函数在循环中与助手交互。
结论
这个个性化AI旅行助手利用Mem0的记忆能力提供具有上下文意识的响应。随着您与它的互动，助手学习和改进，提供越来越个性化的旅行建议和信息。
