memv: Open-Source-Speichersystem für KI-Agenten

memv ist ein Open-Source-Speichersystem, das für KI-Agenten mit einem einzigartigen Ansatz zur Wissensgewinnung entwickelt wurde. Anders als herkömmliche Speichersysteme, die jede Tatsache extrahieren und stark auf Rückrufe zur Organisation angewiesen sind, konzentriert sich memv nur darauf, Vorhersagefehler zu speichern. Es verwendet die Vorhersage-Kalibrierungsextraktion, bei der vor der Extraktion von Wissen aus einer neuen Interaktion vorhergesagt wird, was die Episode auf Grundlage des vorhandenen Wissens enthalten sollte. Nur unerwartete Fakten werden gespeichert, da die Bedeutung aus Überraschung und nicht aus den anfänglichen Bewertungen des großen Sprachmodells (LLM) abgeleitet wird.

Wichtige Details

• Bi-temporales Modell: Jede Tatsache wird sowohl durch Ereignis- als auch Transaktionszeiten nachverfolgt, was Abfragen wie "Was wussten wir über diesen Benutzer im Januar?" ermöglicht.
• Hybride Rückgewinnung: Nutzt Vektorsimilarität (sqlite-vec) kombiniert mit der BM25-Textsuche (FTS5) durch rekursive Rangfusion.
• Umgang mit Widersprüchen: Neue Fakten widerlegen und ungültig machen automatisch ältere widersprüchliche Informationen, jedoch wird die gesamte Historie bewahrt.
• SQLite-Standard: Keine externen Abhängigkeiten - keine Notwendigkeit für Postgres, Redis oder Pinecone.
• Framework-agnostisch: Funktioniert mit LangGraph, CrewAI, AutoGen, LlamaIndex oder reinem Python.
• MIT-Lizenz: Kompatibel mit Python 3.13+ und nutzt asynchrone Operationen.

Ein Beispiel für die Einrichtung von memv:

from memv import Memory
from memv.embeddings import OpenAIEmbedAdapter
from memv.llm import PydanticAIAdapter

memory = Memory(
    db_path="memory.db",
    embedding_client=OpenAIEmbedAdapter(),
    llm_client=PydanticAIAdapter("openai:gpt-4o-mini"),
)
async with memory:
    await memory.add_exchange(
        user_id="user-123",
        user_message="Ich habe gerade als Forscher bei Anthropic angefangen.",
        assistant_message="Glückwunsch! Was ist dein Schwerpunktbereich?",
    )
    await memory.process("user-123")
    result = await memory.retrieve("Was macht der Benutzer?", user_id="user-123")

Das Projekt befindet sich derzeit in einem frühen Stadium (v0.1.0), und Feedback ist erwünscht, insbesondere zum Extraktionsansatz und möglichen nützlichen Integrationen.