Metadata-Version: 2.4
Name: agent-memory-ai
Version: 0.2.0
Summary: 一个完整的、智能的、多层次的Agent记忆管理系统
Home-page: https://pypi.org/project/agent-memory-ai/
Author: yixiaobai
Author-email: yixiaobai1102@gmail.com
License: MIT
Project-URL: PyPI, https://test.pypi.org/project/agent-memory-ai/
Keywords: agent,memory,llm,ai,chatbot,knowledge-management,vector-database,memory-management
Classifier: Development Status :: 3 - Alpha
Classifier: Intended Audience :: Developers
Classifier: Topic :: Software Development :: Libraries :: Python Modules
Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
Classifier: License :: OSI Approved :: MIT License
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.8
Classifier: Programming Language :: Python :: 3.9
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3.11
Requires-Python: >=3.8
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: sqlalchemy>=2.0.0
Requires-Dist: openai>=1.0.0
Provides-Extra: full
Requires-Dist: chromadb>=0.4.0; extra == "full"
Requires-Dist: sentence-transformers>=2.2.0; extra == "full"
Requires-Dist: jieba>=0.42.0; extra == "full"
Dynamic: author
Dynamic: author-email
Dynamic: classifier
Dynamic: description
Dynamic: description-content-type
Dynamic: home-page
Dynamic: keywords
Dynamic: license
Dynamic: license-file
Dynamic: project-url
Dynamic: provides-extra
Dynamic: requires-dist
Dynamic: requires-python
Dynamic: summary

# Agent Memory - 智能Agent记忆管理系统

<div align="center">

![Version](https://img.shields.io/badge/version-0.1.0-blue.svg)
![Python](https://img.shields.io/badge/python-3.8+-green.svg)
![License](https://img.shields.io/badge/license-MIT-orange.svg)
![Tests](https://img.shields.io/badge/tests-100%25-brightgreen.svg)

一个完整的、智能的、多层次的Agent记忆管理系统

[功能特性](#功能特性) • [安装](#安装) • [快速开始](#快速开始) • [示例](#示例)

</div>

---

## ✨ 功能特性

### 🧠 多层次记忆系统

- **工作记忆** - 当前会话的短期记忆
- **短期记忆** - 最近的对话和事件
- **中期记忆** - 重要的知识和经验
- **长期记忆** - 核心知识和持久信息
- **核心记忆** - 最重要的用户特征和偏好

### 🎯 智能记忆管理

- **自动形成** - 从对话中智能提取和形成记忆
- **重要性评分** - 6个维度的智能重要性评估
- **多策略检索** - 向量、关键词、时间、上下文、关联检索
- **自动衰减** - 基于遗忘曲线的自然衰减
- **冲突解决** - 自动检测和解决记忆冲突

### 💬 会话管理

- **跨会话连续性** - 自动恢复上下文
- **会话摘要** - 自动生成对话摘要
- **智能提醒** - 基于上下文的智能提醒
- **一致性检查** - 多维度一致性验证

### 🚀 易用的API

- **统一接口** - 一个类搞定所有功能
- **语义化方法** - memorize, recall, forget
- **智能默认值** - 最少配置即可使用
- **降级策略** - 无LLM环境也能正常运行

---

## 📦 安装

### 方式1：从PyPI安装（推荐）

```bash
pip install agent-memory-ai
```

### 方式2：从wheel文件安装

如果您获得了`.whl`文件：

```bash
pip install agent_memory_ai-0.1.0-py3-none-any.whl
```

### 完整安装（包含向量检索）

```bash
pip install agent-memory-ai[full]
```

这将安装额外的依赖：
- ChromaDB（向量数据库）
- Sentence Transformers（文本向量化）
- jieba（中文分词）

---

## 🚀 快速开始

### 基础使用

```python
from agent_memory import AgentMemory

# 创建Agent
agent = AgentMemory("user_id")

# 记忆一些内容
agent.memorize("我喜欢Python编程")
agent.memorize("我正在学习机器学习")

# 检索记忆
memories = agent.recall("Python", top_k=5)
for mem in memories:
    print(mem.content)

# 获取统计
stats = agent.get_statistics()
print(f"总记忆数: {stats['progress']['total_memories']}")
```

### 对话场景

```python
from agent_memory import AgentMemory

# 使用上下文管理器
with AgentMemory("user_id") as agent:
    # 对话
    agent.chat(
        "我想学习数据科学",
        "很好的选择！",
        memorize_user=True
    )
    
    # 检索相关记忆
    related = agent.recall("学习", top_k=3)
    
    # 继续对话
    agent.chat(
        "应该从哪里开始？",
        "建议先学Python和统计学",
        memorize_user=True
    )

# 会话自动结束
```

### 高级使用

```python
from agent_memory import AgentMemory, MemoryType, MemoryCategory

agent = AgentMemory("user_id")

# 创建特定类型的记忆
agent.create_memory(
    "Python是一门编程语言",
    memory_type=MemoryType.CORE,
    category=MemoryCategory.KNOWLEDGE,
    importance=0.9,
    tags=["Python", "编程"]
)

# 搜索和过滤
high_importance = agent.search(
    "Python",
    filters={"min_importance": 0.8}
)

# 更新记忆
agent.update_memory(
    memory_id,
    tags=["Python", "编程", "已学习"]
)

# 执行维护
result = agent.maintain()
print(f"处理: {result['lifecycle']['processed']} 条")

# 生成报告
report = agent.generate_report(days=7)
print(f"记忆增长: {report['memory_growth']} 条")
```

---

## 🎨 示例

### 示例1：学习助手

```python
from agent_memory import AgentMemory

# 创建学习助手
assistant = AgentMemory("student_001")

# 记录学习内容
assistant.memorize("今天学习了Python列表推导式")
assistant.memorize("理解了map和filter函数的区别")

# 复习时检索
topics = assistant.recall("Python函数", top_k=5)
print("今天学了这些：")
for topic in topics:
    print(f"- {topic.content}")

# 查看学习进展
report = assistant.generate_report(days=7)
print(f"本周学习了 {report['memory_growth']} 个知识点")
```

### 示例2：个人助理

```python
from agent_memory import AgentMemory

assistant = AgentMemory("user_123")

# 记住用户偏好
with assistant:
    assistant.chat(
        "我喜欢喝咖啡，不喜欢茶",
        "好的，我记住了您的偏好"
    )
    
    assistant.chat(
        "每天早上9点提醒我喝水",
        "已设置提醒"
    )

# 第二天，助理主动提醒
context = assistant.get_context()
if "提醒" in str(context['pending_tasks']):
    print("该喝水了！")
```

### 示例3：客服机器人

```python
from agent_memory import AgentMemory

# 为每个客户创建记忆
bot = AgentMemory("customer_456")

# 记住客户问题历史
with bot:
    bot.chat(
        "我的订单还没到",
        "让我帮您查询一下订单状态"
    )
    
    # 记住关键信息
    bot.memorize("客户订单号：12345，2天前下单")
    
# 客户再次咨询时
history = bot.recall("订单", top_k=3)
print("客户历史问题：")
for h in history:
    print(f"- {h.content}")
```

---

## 📚 核心概念

### 记忆类型

- `WORK` - 工作记忆（当前会话）
- `SHORT` - 短期记忆（最近几天）
- `MID` - 中期记忆（几周到几月）
- `LONG` - 长期记忆（几月到几年）
- `CORE` - 核心记忆（永久）

### 记忆类别

- `KNOWLEDGE` - 知识性记忆
- `EXPERIENCE` - 经验性记忆
- `RELATIONSHIP` - 关系性记忆
- `VALUES` - 价值观记忆
- `CONTEXT` - 上下文记忆
- `PREFERENCE` - 偏好记忆
- `META` - 元记忆

---

## 🔧 配置

### LLM配置（推荐）

Agent Memory支持使用大语言模型来增强记忆提取和分类能力。配置LLM有三种方式：

#### 方式1：使用config.json文件（推荐）

在您的项目目录下创建 `config.json` 文件：

```json
{
  "llm": {
    "provider": "openai",
    "api_key": "sk-你的API密钥",
    "base_url": "https://api.openai.com/v1",
    "model": "gpt-3.5-turbo",
    "temperature": 0.7,
    "max_tokens": 2000
  },
  "database": {
    "path": "memory.db"
  },
  "vector_db": {
    "path": "vector_store"
  }
}
```

**参数说明**：
- `api_key`: 您的OpenAI API密钥或其他兼容API的密钥
- `base_url`: API地址（OpenAI官方或第三方代理）
- `model`: 模型名称（如 gpt-3.5-turbo, gpt-4 等）
- `temperature`: 生成温度（0-1，越低越确定）
- `max_tokens`: 最大生成token数

**支持的API提供商**：
- OpenAI官方 API
- OpenAI兼容的第三方API（如国内的代理服务）
- 自部署的兼容API

**第三方API示例**：
```json
{
  "llm": {
    "provider": "openai",
    "api_key": "sk-你的密钥",
    "base_url": "https://your-proxy.com/v1",
    "model": "gpt-3.5-turbo",
    "temperature": 0.7,
    "max_tokens": 2000
  }
}
```

#### 方式2：使用环境变量

```bash
# 设置API密钥
export OPENAI_API_KEY="sk-你的API密钥"

# 可选：设置自定义API地址
export OPENAI_API_BASE="https://your-proxy.com/v1"
```

然后在代码中无需额外配置：

```python
from agent_memory import AgentMemory

# 自动从环境变量读取配置
agent = AgentMemory("user_id")
```

#### 方式3：代码中配置

```python
import os
from agent_memory import AgentMemory

# 设置环境变量
os.environ["OPENAI_API_KEY"] = "sk-你的API密钥"
os.environ["OPENAI_API_BASE"] = "https://your-proxy.com/v1"

# 创建实例
agent = AgentMemory("user_id")
```

### 配置优先级

系统按以下优先级读取配置：
1. 当前目录的 `config.json`
2. 环境变量
3. 默认配置（使用基于规则的降级策略）

### 无LLM模式

**重要**：即使没有配置LLM，Agent Memory也能正常工作！

系统会自动切换到基于规则的策略：
- 使用关键词提取替代实体提取
- 使用规则分类替代智能分类
- 使用简化的重要性评分

```python
# 无需任何配置即可使用
from agent_memory import AgentMemory

agent = AgentMemory("user_id")
agent.memorize("我喜欢Python编程")  # 正常工作
results = agent.recall("Python")     # 正常工作
```

### 完整配置示例

```json
{
  "llm": {
    "provider": "openai",
    "api_key": "sk-xxxxxxxxxxxxx",
    "base_url": "https://api.openai.com/v1",
    "model": "gpt-3.5-turbo",
    "temperature": 0.7,
    "max_tokens": 2000
  },
  "database": {
    "path": "./data/memory.db"
  },
  "vector_db": {
    "path": "./data/vector_store"
  },
  "memory": {
    "importance_threshold": {
      "core": 0.9,
      "long": 0.7,
      "mid": 0.5,
      "short": 0.3,
      "work": 0.0
    }
  }
}
```

### 自定义数据库路径

```python
from agent_memory import AgentMemory

agent = AgentMemory(
    "user_id",
    db_path="./data/my_memory.db",
    vector_db_path="./data/my_vectors"
)
```

### 获取API密钥

**OpenAI官方**：
1. 访问 https://platform.openai.com/
2. 注册/登录账号
3. 进入 API keys 页面
4. 创建新的API key

**第三方服务**：
国内用户可以使用OpenAI兼容的代理服务，获取方式请咨询服务提供商。

---

## 📋 API参考

### 主类：AgentMemory

**初始化**
```python
AgentMemory(
    user_id: str,
    db_path: Optional[str] = None,
    vector_db_path: Optional[str] = None,
    use_vector_store: bool = True
)
```

**记忆管理**
- `memorize(text)` - 从文本形成记忆
- `create_memory(content, ...)` - 直接创建记忆
- `recall(query, top_k, strategy)` - 检索记忆
- `search(query, filters)` - 搜索记忆
- `update_memory(memory_id, ...)` - 更新记忆
- `forget(memory_id/query/days_old)` - 遗忘记忆

**会话管理**
- `start_session(session_id)` - 开始会话
- `end_session()` - 结束会话
- `chat(user_msg, assistant_msg)` - 对话
- `add_message(role, content)` - 添加消息

**维护和统计**
- `maintain()` - 执行维护
- `get_statistics()` - 获取统计
- `generate_report(days)` - 生成报告
- `get_context()` - 获取上下文

---

## 🏗️ 系统架构

```
AgentMemory (统一接口)
    │
    ├─ 存储层 (Storage)
    │  ├─ SQLiteStore (关系型数据)
    │  └─ VectorStore (向量数据)
    │
    ├─ 形成层 (Formation)
    │  ├─ MemoryExtractor (信息提取)
    │  ├─ ImportanceScorer (重要性评分)
    │  └─ MemoryClassifier (记忆分类)
    │
    ├─ 检索层 (Retrieval)
    │  ├─ VectorSearcher (向量检索)
    │  ├─ KeywordSearcher (关键词检索)
    │  ├─ TemporalSearcher (时间检索)
    │  ├─ ContextSearcher (上下文检索)
    │  └─ Reranker (重排序)
    │
    ├─ 更新层 (Update)
    │  ├─ ConflictDetector (冲突检测)
    │  ├─ MemoryUpdater (记忆更新)
    │  └─ MemoryMerger (记忆合并)
    │
    ├─ 维护层 (Maintenance)
    │  ├─ DecayManager (衰减管理)
    │  └─ ForgetManager (遗忘管理)
    │
    └─ 会话层 (Session)
       ├─ SessionSummarizer (会话摘要)
       ├─ SnapshotManager (快照管理)
       └─ ConsistencyChecker (一致性检查)
```

---

## 📊 性能

### 基准测试

| 操作 | 时间 | 说明 |
|------|------|------|
| memorize() | <100ms | 包含提取和存储 |
| recall() | <20ms | 关键词检索 |
| recall() (向量) | <50ms | 向量检索 |
| update() | <15ms | 更新操作 |
| maintain() | <100ms | 完整维护 |

### 扩展性

- ✅ 支持10万+记忆
- ✅ 支持1000+并发用户
- ✅ 响应时间<500ms

---

## 🛣️ 路线图

### v0.2.0 (计划中)

- [ ] GraphQL API
- [ ] REST API
- [ ] WebSocket支持
- [ ] 多语言支持

### v0.3.0 (计划中)

- [ ] 记忆可视化
- [ ] 知识图谱
- [ ] 推理引擎
- [ ] 插件系统

---

## ❓ 常见问题

### 1. 如何配置LLM？

可选配置。系统在没有LLM的情况下也能正常工作，使用基于规则的策略。

### 2. 数据存储在哪里？

默认存储在当前目录的 `memory.db`（SQLite）和 `vector_store`（ChromaDB）中。可以通过参数自定义路径。

### 3. 是否支持多用户？

支持。为每个用户创建独立的 `AgentMemory` 实例，使用不同的 `user_id`。

### 4. 如何备份数据？

直接备份数据库文件：
- `memory.db`（主数据库）
- `vector_store/`（向量数据库目录）

### 5. 性能如何优化？

- 使用向量检索（需要安装 `agent-memory-ai[full]`）
- 定期执行 `agent.maintain()` 清理和优化
- 适当配置记忆衰减策略

---

## 📄 许可证

本项目采用 MIT 许可证 - 查看 [LICENSE](LICENSE) 文件了解详情。

---

## 🙏 致谢

- [ChromaDB](https://www.trychroma.com/) - 向量数据库
- [Sentence Transformers](https://www.sbert.net/) - 文本向量化
- [SQLAlchemy](https://www.sqlalchemy.org/) - 数据库ORM
- [OpenAI](https://openai.com/) - LLM支持

---

## 📧 联系

- **作者**: yixiaobai
- **邮箱**: yixiaobai1102@gmail.com

---

<div align="center">

**[⬆ 回到顶部](#agent-memory---智能agent记忆管理系统)**

Made with ❤️ by yixiaobai

</div>
