人工智能系统在长时间的交互过程中，往往难以维持有意义的上下文，这对聊天机器人、虚拟助手等应用来说是一大挑战，因为保持对话的连贯性至关重要。传统的AI模型大多以无状态方式运行，只关注当前的输入，而忽略了之前交流的连续性。这种缺乏有效记忆的特点，使得交互变得支离破碎、缺乏一致性，从而阻碍了构建真正吸引人且具备上下文敏感能力的AI系统。

为了解决这一问题，我们介绍Memoripy——一个为AI应用赋予真实记忆功能的Python库。Memoripy通过为AI系统提供结构化记忆，解决了保持会话上下文的问题，使它们能够有效存储、回忆，并基于先前的交互进行拓展。它提供了短期和长期的记忆存储功能，让AI系统既能保留近期交互的上下文，又能在长期内保留重要信息。

Memoripy以类似人类认知的方式构建记忆，优先考虑近期事件并保留关键信息，从而确保交互随着时间的推移仍能保持相关性和连贯性。它将记忆组织成短期和长期簇，使得近期交互可以被优先检索，同时保留重要的历史交互以供将来使用。这既防止了AI因过多数据而不堪重负，又确保了相关信息的可访问性。

此外，Memoripy还实施了语义聚类，将相似记忆分组以促进有效的上下文检索。这一功能使AI系统能够快速识别和关联相关记忆，从而提高响应质量。同时，它还采用了记忆衰减和增强机制，即较不重要的记忆逐渐淡化，而被频繁访问的记忆得到强化，这反映了人类记忆的原理。

Memoripy的设计特别强调了本地存储，使开发者可以完全在本地基础设施上处理记忆操作。这不仅减少了隐私问题，还为与本地托管的语言模型以及OpenAI、Ollama等外部服务的集成提供了灵活性。

以下是一个将Memoripy集成到AI应用中的示例：

from memoripy import MemoryManager, JSONStorage



def main():

    # Replace 'your-api-key' with your actual OpenAI API key

    api_key = "your-key"

    if not api_key:

        raise ValueError("Please set your OpenAI API key.")



    # Define chat and embedding models

    chat_model = "openai"  # Choose 'openai' or 'ollama' for chat

    chat_model_name = "gpt-4o-mini"  # Specific chat model name

    embedding_model = "ollama"  # Choose 'openai' or 'ollama' for embeddings

    embedding_model_name = "mxbai-embed-large"  # Specific embedding model name



    # Choose your storage option

    storage_option = JSONStorage("interaction_history.json")



    # Initialize the MemoryManager with the selected models and storage

    memory_manager = MemoryManager(

        api_key=api_key,

        chat_model=chat_model,

        chat_model_name=chat_model_name,

        embedding_model=embedding_model,

        embedding_model_name=embedding_model_name,

        storage=storage_option

    )



    # New user prompt

    new_prompt = "My name is Khazar"



    # Load the last 5 interactions from history (for context)

    short_term, _ = memory_manager.load_history()

    last_interactions = short_term[-5:] if len(short_term) >= 5 else short_term



    # Retrieve relevant past interactions, excluding the last 5

    relevant_interactions = memory_manager.retrieve_relevant_interactions(new_prompt, exclude_last_n=5)



    # Generate a response using the last interactions and retrieved interactions

    response = memory_manager.generate_response(new_prompt, last_interactions, relevant_interactions)



    # Display the response

    print(f"Generated response:\n{response}")



    # Extract concepts for the new interaction

    combined_text = f"{new_prompt} {response}"

    concepts = memory_manager.extract_concepts(combined_text)



    # Store this new interaction along with its embedding and concepts

    new_embedding = memory_manager.get_embedding(combined_text)

    memory_manager.add_interaction(new_prompt, response, new_embedding, concepts)



if __name__ == "__main__":

    main()

在该脚本中，MemoryManager根据指定的聊天和嵌入模型以及存储选项进行初始化。当处理一个新的用户提示时，系统会检索相关的过去交互，以生成上下文上合适的响应。然后，该交互连同其嵌入和提取的概念一起存储起来，以供将来参考。

Memoripy为构建更具上下文感知的AI系统提供了重要进展。它能够保留和回忆相关信息，使得开发虚拟助手、会话代理和客户服务系统成为可能，这些系统能够提供更一致和个性化的互动。例如，使用Memoripy的虚拟助手可以记住用户的偏好或之前请求的细节，从而提供更量身定制的响应。初步评估显示，包含Memoripy的AI系统在用户满意度方面表现更佳，能够生成更连贯、上下文上适当的响应。

此外，Memoripy对本地存储的重视对隐私敏感的应用至关重要，因为它允许数据被安全地处理，而无需依赖外部服务器。

总之，Memoripy通过提供真实记忆功能，提升了AI系统的上下文保持和连贯性，代表了向更复杂AI交互迈出的重要一步。它以与人类认知过程非常相似的方式构建记忆，为AI系统铺平了道路，使其能够根据累积的用户互动进行调整，并提供更个性化、具有上下文感知的体验。这个库为开发者提供了必要的工具，使AI不仅能处理输入，还能有意义地从交互中学习。