SimpleMem完全指南如何为AI智能体构建高效长期记忆系统【免费下载链接】SimpleMemSimpleMem: Efficient Lifelong Memory for LLM Agents项目地址: https://gitcode.com/gh_mirrors/si/SimpleMemSimpleMem是一个基于语义无损压缩的高效记忆框架专为解决LLM智能体的长期记忆挑战而设计。与传统系统不同SimpleMem通过语义结构化压缩、在线语义合成和意图感知检索规划三个阶段最大化信息密度和令牌利用率让AI智能体能够高效存储、压缩和检索长期记忆。 为什么AI智能体需要长期记忆系统在AI助手和智能体的开发中长期记忆能力是实现持续学习和个性化交互的关键。传统LLM受限于上下文窗口大小无法有效保留和利用历史对话信息导致健忘问题。SimpleMem通过创新的记忆管理架构解决了这一核心痛点使AI智能体能够跨会话保持上下文连续性高效存储和检索关键信息避免冗余信息处理降低计算成本随着交互积累经验和知识SimpleMem在性能(F1分数)和成本(平均令牌消耗)方面均优于其他记忆系统占据理想的左上角位置 SimpleMem核心架构解析SimpleMem采用三阶段处理 pipeline实现高效的记忆管理1️⃣ 语义结构化压缩将非结构化交互提炼为紧凑的、多视图索引的记忆单元。系统通过隐式语义密度门控机制过滤冗余内容将原始对话流重新表述为自包含的事实包含已解析的指代和绝对时间戳。每个记忆单元通过三种互补表示进行索引语义层使用向量嵌入实现概念相似性匹配词汇层采用BM25风格关键词索引支持精确术语匹配符号层通过时间戳、实体和人物等元数据实现结构化过滤2️⃣ 在线语义合成在写入阶段实时执行记忆合成将相关记忆单元合成为更高层次的抽象表示使重复或结构相似的经验能够立即去噪和压缩确保记忆拓扑保持紧凑且无冗余碎片。3️⃣ 意图感知检索规划利用LLM的推理能力生成全面的检索计划根据查询推断潜在搜索意图动态确定检索范围和深度然后跨语义、词汇和符号索引执行并行多视图检索。SimpleMem架构展示了三个核心阶段语义结构化压缩、在线语义合成和意图感知检索规划 快速开始构建你的第一个AI记忆系统环境准备SimpleMem需要Python 3.10及以上版本和OpenAI兼容的API密钥。通过以下命令快速安装# 克隆仓库 git clone https://gitcode.com/gh_mirrors/si/SimpleMem cd SimpleMem # 安装依赖 pip install -r requirements.txt # 配置API设置 cp config.py.example config.py # 编辑config.py添加你的API密钥和偏好设置基本用法示例from main import SimpleMemSystem # 初始化系统 system SimpleMemSystem(clear_dbTrue) # 添加对话第一阶段语义结构化压缩 system.add_dialogue(Alice, Bob, lets meet at Starbucks tomorrow at 2pm, 2025-11-15T14:30:00) system.add_dialogue(Bob, Sure, Ill bring the market analysis report, 2025-11-15T14:31:00) # 完成原子编码 system.finalize() # 查询第三阶段意图感知检索规划 answer system.ask(When and where will Alice and Bob meet?) print(answer) # 输出: 16 November 2025 at 2:00 PM at Starbucks⚡ 高级功能提升记忆系统性能并行处理大规模数据对于大规模对话处理启用并行模式可显著提高效率system SimpleMemSystem( clear_dbTrue, enable_parallel_processingTrue, # 并行内存构建 max_parallel_workers8, enable_parallel_retrievalTrue, # 并行查询执行 max_retrieval_workers4 )跨会话持久化记忆SimpleMem-Cross扩展提供跨会话记忆能力使智能体能够回忆先前会话的上下文、决策和观察结果from cross.orchestrator import create_orchestrator async def main(): orch create_orchestrator(projectmy-project) # 开始会话 - 自动注入先前上下文 result await orch.start_session( content_session_idsession-001, user_promptContinue building the REST API, ) print(result[context]) # 来自先前会话的相关上下文 # 记录会话期间的事件 await orch.record_message(result[memory_session_id], User asked about JWT) await orch.record_tool_use( result[memory_session_id], tool_nameread_file, tool_inputauth/jwt.py, tool_outputclass JWTHandler: ..., ) # 完成会话 - 提取观察结果生成摘要存储记忆 report await orch.stop_session(result[memory_session_id]) print(fStored {report.entries_stored} memory entries) await orch.end_session(result[memory_session_id]) orch.close()多租户内存表为不同用户或上下文使用单独的表# 用户A的内存 system_a SimpleMemSystem( api_keyyour-key, table_nameuser_alice_memories, clear_dbFalse ) # 用户B的内存 system_b SimpleMemSystem( api_keyyour-key, table_nameuser_bob_memories, clear_dbFalse ) 性能优势SimpleMem与其他记忆系统对比在LoCoMo基准测试中SimpleMem表现出显著优势模型构建时间检索时间总时间平均F1分数A-Mem5140.5s796.7s5937.2s32.58%LightMem97.8s577.1s675.9s24.63%Mem01350.9s583.4s1934.3s34.20%SimpleMem92.6s388.3s480.9s43.24%核心优势最高F1分数43.24%比Mem0高26.4%比LightMem高75.6%⚡最快检索388.3s比LightMem快32.7%比Mem0快51.3%最快端到端处理480.9s总处理时间比A-Mem快12.5倍在跨会话记忆方面SimpleMem得分48比Claude-Mem高出64%充分展示了其在长期记忆管理方面的优势。 MCP服务器集成扩展记忆服务SimpleMem提供Model Context Protocol (MCP)服务器实现与Claude Desktop、Cursor等AI助手的无缝集成。可通过Docker快速部署# 从仓库根目录 docker compose up -d部署后可获得Web UI: http://localhost:8000/REST API: http://localhost:8000/api/MCP (SSE): http://localhost:8000/mcp/sse?token 实际应用场景个人助理记忆为个人助理构建持久记忆记录用户偏好和重要信息from simplemem import SimpleMemSystem import os os.environ[OPENAI_API_KEY] your-key # 创建个人助理的持久记忆 system SimpleMemSystem( db_path./assistant_memory, clear_dbFalse # 跨会话持久化 ) # 添加用户偏好 system.add_dialogue(User, I prefer to wake up at 6am, 2025-01-15T08:00:00) system.add_dialogue(User, Im allergic to peanuts, 2025-01-15T08:05:00) system.add_dialogue(User, My favorite restaurant is The Green Kitchen, 2025-01-15T08:10:00) system.finalize() # 查询偏好 answer system.ask(What are the users dietary restrictions?) print(answer) # The user is allergic to peanuts会议记录处理自动提取会议中的关键信息和决策from simplemem import SimpleMemSystem, Dialogue system SimpleMemSystem(api_keyyour-key, clear_dbTrue) # 处理会议记录 meeting_dialogues [ Dialogue(dialogue_id1, speakerPM, contentLets review Q1 targets, timestamp2025-01-15T10:00:00), Dialogue(dialogue_id2, speakerSales, contentWe achieved 120% of our target, timestamp2025-01-15T10:02:00), Dialogue(dialogue_id3, speakerPM, contentGreat! Q2 target is set to 50M, timestamp2025-01-15T10:05:00), Dialogue(dialogue_id4, speakerFinance, contentBudget approval needed by Friday, timestamp2025-01-15T10:08:00), ] system.add_dialogues(meeting_dialogues) system.finalize() # 查询会议要点 print(system.ask(What was the Q1 performance?)) print(system.ask(Whats the deadline for budget approval?))️ 故障排除与常见问题API密钥未找到Error: OpenAI API key not found解决方案通过环境变量或构造函数参数设置API密钥os.environ[OPENAI_API_KEY] your-key # 或 system SimpleMemSystem(api_keyyour-key)数据库权限错误Error: Cannot write to database path解决方案确保数据库路径可写system SimpleMemSystem(db_path/path/with/write/permission)查询中未找到记忆解决方案添加所有对话后确保调用finalize()system.add_dialogue(...) system.finalize() # 不要忘记这一步 answer system.ask(...) 资源与进一步学习核心模块代码core/跨会话记忆cross/MCP服务器文档MCP/README.md完整API参考docs/PACKAGE_USAGE.mdSimpleMem为AI智能体提供了高效的长期记忆解决方案通过创新的语义压缩和检索技术解决了传统LLM的记忆限制。无论是构建个人助理、会议助手还是复杂的AI智能体SimpleMem都能帮助你的应用拥有可靠、高效的记忆能力。开始使用SimpleMem为你的AI智能体构建持久而高效的记忆系统吧【免费下载链接】SimpleMemSimpleMem: Efficient Lifelong Memory for LLM Agents项目地址: https://gitcode.com/gh_mirrors/si/SimpleMem创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
SimpleMem完全指南：如何为AI智能体构建高效长期记忆系统
SimpleMem完全指南如何为AI智能体构建高效长期记忆系统【免费下载链接】SimpleMemSimpleMem: Efficient Lifelong Memory for LLM Agents项目地址: https://gitcode.com/gh_mirrors/si/SimpleMemSimpleMem是一个基于语义无损压缩的高效记忆框架专为解决LLM智能体的长期记忆挑战而设计。与传统系统不同SimpleMem通过语义结构化压缩、在线语义合成和意图感知检索规划三个阶段最大化信息密度和令牌利用率让AI智能体能够高效存储、压缩和检索长期记忆。 为什么AI智能体需要长期记忆系统在AI助手和智能体的开发中长期记忆能力是实现持续学习和个性化交互的关键。传统LLM受限于上下文窗口大小无法有效保留和利用历史对话信息导致健忘问题。SimpleMem通过创新的记忆管理架构解决了这一核心痛点使AI智能体能够跨会话保持上下文连续性高效存储和检索关键信息避免冗余信息处理降低计算成本随着交互积累经验和知识SimpleMem在性能(F1分数)和成本(平均令牌消耗)方面均优于其他记忆系统占据理想的左上角位置 SimpleMem核心架构解析SimpleMem采用三阶段处理 pipeline实现高效的记忆管理1️⃣ 语义结构化压缩将非结构化交互提炼为紧凑的、多视图索引的记忆单元。系统通过隐式语义密度门控机制过滤冗余内容将原始对话流重新表述为自包含的事实包含已解析的指代和绝对时间戳。每个记忆单元通过三种互补表示进行索引语义层使用向量嵌入实现概念相似性匹配词汇层采用BM25风格关键词索引支持精确术语匹配符号层通过时间戳、实体和人物等元数据实现结构化过滤2️⃣ 在线语义合成在写入阶段实时执行记忆合成将相关记忆单元合成为更高层次的抽象表示使重复或结构相似的经验能够立即去噪和压缩确保记忆拓扑保持紧凑且无冗余碎片。3️⃣ 意图感知检索规划利用LLM的推理能力生成全面的检索计划根据查询推断潜在搜索意图动态确定检索范围和深度然后跨语义、词汇和符号索引执行并行多视图检索。SimpleMem架构展示了三个核心阶段语义结构化压缩、在线语义合成和意图感知检索规划 快速开始构建你的第一个AI记忆系统环境准备SimpleMem需要Python 3.10及以上版本和OpenAI兼容的API密钥。通过以下命令快速安装# 克隆仓库 git clone https://gitcode.com/gh_mirrors/si/SimpleMem cd SimpleMem # 安装依赖 pip install -r requirements.txt # 配置API设置 cp config.py.example config.py # 编辑config.py添加你的API密钥和偏好设置基本用法示例from main import SimpleMemSystem # 初始化系统 system SimpleMemSystem(clear_dbTrue) # 添加对话第一阶段语义结构化压缩 system.add_dialogue(Alice, Bob, lets meet at Starbucks tomorrow at 2pm, 2025-11-15T14:30:00) system.add_dialogue(Bob, Sure, Ill bring the market analysis report, 2025-11-15T14:31:00) # 完成原子编码 system.finalize() # 查询第三阶段意图感知检索规划 answer system.ask(When and where will Alice and Bob meet?) print(answer) # 输出: 16 November 2025 at 2:00 PM at Starbucks⚡ 高级功能提升记忆系统性能并行处理大规模数据对于大规模对话处理启用并行模式可显著提高效率system SimpleMemSystem( clear_dbTrue, enable_parallel_processingTrue, # 并行内存构建 max_parallel_workers8, enable_parallel_retrievalTrue, # 并行查询执行 max_retrieval_workers4 )跨会话持久化记忆SimpleMem-Cross扩展提供跨会话记忆能力使智能体能够回忆先前会话的上下文、决策和观察结果from cross.orchestrator import create_orchestrator async def main(): orch create_orchestrator(projectmy-project) # 开始会话 - 自动注入先前上下文 result await orch.start_session( content_session_idsession-001, user_promptContinue building the REST API, ) print(result[context]) # 来自先前会话的相关上下文 # 记录会话期间的事件 await orch.record_message(result[memory_session_id], User asked about JWT) await orch.record_tool_use( result[memory_session_id], tool_nameread_file, tool_inputauth/jwt.py, tool_outputclass JWTHandler: ..., ) # 完成会话 - 提取观察结果生成摘要存储记忆 report await orch.stop_session(result[memory_session_id]) print(fStored {report.entries_stored} memory entries) await orch.end_session(result[memory_session_id]) orch.close()多租户内存表为不同用户或上下文使用单独的表# 用户A的内存 system_a SimpleMemSystem( api_keyyour-key, table_nameuser_alice_memories, clear_dbFalse ) # 用户B的内存 system_b SimpleMemSystem( api_keyyour-key, table_nameuser_bob_memories, clear_dbFalse ) 性能优势SimpleMem与其他记忆系统对比在LoCoMo基准测试中SimpleMem表现出显著优势模型构建时间检索时间总时间平均F1分数A-Mem5140.5s796.7s5937.2s32.58%LightMem97.8s577.1s675.9s24.63%Mem01350.9s583.4s1934.3s34.20%SimpleMem92.6s388.3s480.9s43.24%核心优势最高F1分数43.24%比Mem0高26.4%比LightMem高75.6%⚡最快检索388.3s比LightMem快32.7%比Mem0快51.3%最快端到端处理480.9s总处理时间比A-Mem快12.5倍在跨会话记忆方面SimpleMem得分48比Claude-Mem高出64%充分展示了其在长期记忆管理方面的优势。 MCP服务器集成扩展记忆服务SimpleMem提供Model Context Protocol (MCP)服务器实现与Claude Desktop、Cursor等AI助手的无缝集成。可通过Docker快速部署# 从仓库根目录 docker compose up -d部署后可获得Web UI: http://localhost:8000/REST API: http://localhost:8000/api/MCP (SSE): http://localhost:8000/mcp/sse?token 实际应用场景个人助理记忆为个人助理构建持久记忆记录用户偏好和重要信息from simplemem import SimpleMemSystem import os os.environ[OPENAI_API_KEY] your-key # 创建个人助理的持久记忆 system SimpleMemSystem( db_path./assistant_memory, clear_dbFalse # 跨会话持久化 ) # 添加用户偏好 system.add_dialogue(User, I prefer to wake up at 6am, 2025-01-15T08:00:00) system.add_dialogue(User, Im allergic to peanuts, 2025-01-15T08:05:00) system.add_dialogue(User, My favorite restaurant is The Green Kitchen, 2025-01-15T08:10:00) system.finalize() # 查询偏好 answer system.ask(What are the users dietary restrictions?) print(answer) # The user is allergic to peanuts会议记录处理自动提取会议中的关键信息和决策from simplemem import SimpleMemSystem, Dialogue system SimpleMemSystem(api_keyyour-key, clear_dbTrue) # 处理会议记录 meeting_dialogues [ Dialogue(dialogue_id1, speakerPM, contentLets review Q1 targets, timestamp2025-01-15T10:00:00), Dialogue(dialogue_id2, speakerSales, contentWe achieved 120% of our target, timestamp2025-01-15T10:02:00), Dialogue(dialogue_id3, speakerPM, contentGreat! Q2 target is set to 50M, timestamp2025-01-15T10:05:00), Dialogue(dialogue_id4, speakerFinance, contentBudget approval needed by Friday, timestamp2025-01-15T10:08:00), ] system.add_dialogues(meeting_dialogues) system.finalize() # 查询会议要点 print(system.ask(What was the Q1 performance?)) print(system.ask(Whats the deadline for budget approval?))️ 故障排除与常见问题API密钥未找到Error: OpenAI API key not found解决方案通过环境变量或构造函数参数设置API密钥os.environ[OPENAI_API_KEY] your-key # 或 system SimpleMemSystem(api_keyyour-key)数据库权限错误Error: Cannot write to database path解决方案确保数据库路径可写system SimpleMemSystem(db_path/path/with/write/permission)查询中未找到记忆解决方案添加所有对话后确保调用finalize()system.add_dialogue(...) system.finalize() # 不要忘记这一步 answer system.ask(...) 资源与进一步学习核心模块代码core/跨会话记忆cross/MCP服务器文档MCP/README.md完整API参考docs/PACKAGE_USAGE.mdSimpleMem为AI智能体提供了高效的长期记忆解决方案通过创新的语义压缩和检索技术解决了传统LLM的记忆限制。无论是构建个人助理、会议助手还是复杂的AI智能体SimpleMem都能帮助你的应用拥有可靠、高效的记忆能力。开始使用SimpleMem为你的AI智能体构建持久而高效的记忆系统吧【免费下载链接】SimpleMemSimpleMem: Efficient Lifelong Memory for LLM Agents项目地址: https://gitcode.com/gh_mirrors/si/SimpleMem创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
