memv: Sistema de Memoria de Código Abierto para Agentes de IA

memv es un sistema de memoria de código abierto diseñado para agentes de IA con un enfoque único en la extracción de conocimiento. A diferencia de los sistemas de memoria tradicionales que extraen cada hecho y dependen en gran medida de la recuperación para la organización, memv se centra solo en almacenar errores de predicción. Utiliza la extracción predictiva-calibrada, donde antes de extraer conocimiento de una nueva interacción, predice lo que el episodio debería contener en función del conocimiento existente. Solo se almacenan los hechos que eran inesperados, ya que la importancia se deriva de la sorpresa en lugar de la puntuación inicial del modelo de lenguaje grande (LLM).

Detalles Clave

• Modelo Bi-temporal: Cada hecho se rastrea tanto por el tiempo del evento como por el tiempo de la transacción, lo que permite consultas como "¿qué sabíamos sobre este usuario en enero?"
• Recuperación Híbrida: Utiliza similitud de vectores (sqlite-vec) combinada con búsqueda de texto BM25 (FTS5) a través de Fusión de Rango Recíproco.
• Manejo de Contradicciones: Nuevos hechos automáticamente contradicen e invalidan hechos antiguos en conflicto, sin embargo, se preserva toda la historia.
• SQLite por Defecto: Sin dependencias externas; no se necesita Postgres, Redis o Pinecone.
• Framework Agnóstico: Funciona con LangGraph, CrewAI, AutoGen, LlamaIndex, o Python puro.
• Licencia MIT: Compatible con Python 3.13+ y utiliza operaciones asíncronas.

Un ejemplo de configuración usando 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="Acabo de empezar en Anthropic como investigador.",
        assistant_message="¡Felicidades! ¿Cuál es tu área de enfoque?",
    )
    await memory.process("user-123")
    result = await memory.retrieve("¿Qué hace el usuario?", user_id="user-123")

El proyecto se encuentra actualmente en una etapa temprana (v0.1.0), y se anima a dar comentarios, especialmente sobre el enfoque de extracción y las posibles integraciones útiles.