理想中的Agent，它们能够像人类一样思考和推理，执行复杂任务，甚至展现出一定的创造力。对于这些操作而言，“记忆”是Agent很重要的一个模块。
就像人类依靠记忆来学习、成长和与世界互动一样，AI Agent 也需要强大的记忆能力来提升自身性能。试想一下，如果一个 Agent 每次都忘记之前的对话和学到的知识，那它将永远无法真正理解用户的需求，也无法高效地完成任务。
这就是 Memary 诞生的意义所在。它是一个专为增强 Agent 记忆而设计的创新框架，通过模拟人类记忆机制，让 Agent 能够记住过去、理解现在，并更好地预测未来。
Memary：赋予 Agent “记忆” 的超能力
Memary 的核心理念是：像人类一样思考和记忆。它摒弃了传统 AI 记忆的简单存储模式，转而采用了一种更具动态性和关联性的方式来管理 Agent 的记忆，让 Agent 真正理解信息的含义和关联，而不仅仅是机械地存储数据。
核心优势：
-
自动构建记忆: 无需手动干预，Memary 会在 Agent 运行过程中自动捕获并构建记忆，省时省力，高效便捷。 -
类人记忆模型: 借鉴人类记忆的特点，Memary 将记忆分为“记忆流”和“实体知识存储”，分别记录用户知识的广度和深度，让 Agent 对用户有更全面的了解。 -
智能检索: 不再是简单的关键词搜索，Memary 结合知识图谱和递归检索技术，能够快速准确地找到所需信息，即使面对复杂查询也能游刃有余。 -
动态更新: Memary 的记忆不是一成不变的，它会随着 Agent 的交互不断更新和演化，就像人类一样不断学习和成长。 -
性能分析: 提供可视化仪表盘，帮助开发者深入分析 Agent 的记忆和性能，为优化提供数据支持。
Memary 的运作机制：深入理解记忆的奥秘
Memary 的架构设计精巧，主要由以下几个关键部分组成：
1. 路由 Agent (Routing Agent): 负责接收用户输入，并根据任务类型选择合适的工具进行处理。
2. 知识图谱 (Knowledge Graph): 以图形化的方式存储信息，节点代表实体，边代表实体之间的关系，让 Agent 能够理解信息之间的关联。
3. 记忆模块 (Memory Module): 负责管理 Agent 的记忆，包括：
-
记忆流 (Memory Stream): 记录所有接触过的实体及其时间戳，反映用户知识的广度。 -
实体知识存储 (Entity Knowledge Store): 记录每个实体的引用频率和最近时间，反映用户知识的深度。
4. 新的上下文窗口： 通过整合 Agent 响应，最相关的实体，以及简要总结过的聊天记录，来更精准地进行回复。
Memary 的工作流程可以概括为以下几步：
-
用户向 Agent 发起查询。 -
路由 Agent 分析查询，并选择合适的工具（如搜索、视觉等）。 -
如果需要从知识图谱中检索信息，Memary 将使用递归检索和多跳推理技术快速定位相关实体。 -
Agent 生成响应，并将其存储到知识图谱中。 -
记忆模块根据知识图谱的更新，自动更新记忆流和实体知识存储。
如何开始使用 Memary？
Memary 的安装和使用非常简单，只需几步即可完成：
-
安装: 可以通过 pip 或本地安装两种方式轻松安装 Memary。 -
配置: 提供 .env文件配置所需的 API 密钥，例如 OpenAI、Perplexity、Google Maps 等。 -
定制: 根据你的需求修改用户画像和系统画像文件。 -
运行: 通过 streamlit run app.py启动应用。
Memary 还支持多图谱功能，允许你为不同的用户创建独立的 Agent，并轻松切换不同的记忆和知识上下文。
