memv: Sistema de Memória de Código Aberto para Agentes de IA

memv é um sistema de memória de código aberto projetado para agentes de IA com uma abordagem única para extração de conhecimento. Ao contrário dos sistemas de memória tradicionais que extraem todos os fatos e dependem fortemente de recuperação para organização, o memv foca apenas em armazenar erros de previsão. Ele usa extração de previsão-calibração, onde antes de extrair conhecimento de uma nova interação, ele prevê o que o episódio deve conter com base no conhecimento existente. Apenas os fatos que foram inesperados são armazenados, pois a importância é derivada da surpresa, e não da pontuação inicial do modelo de linguagem grande (LLM).

Detalhes Principais

• Modelo Bitemporal: Cada fato é rastreado por tempos de evento e transação, permitindo consultas como "o que sabíamos sobre este usuário em janeiro?"
• Recuperação Híbrida: Utiliza similaridade vetorial (sqlite-vec) combinada com busca de texto BM25 (FTS5) através de Fusão de Classificação Recíproca.
• Tratamento de Contradições: Novos fatos automaticamente contradizem e invalidam os mais antigos conflitantes, mas o histórico completo é preservado.
• Padrão SQLite: Zero dependências externas - sem necessidade de Postgres, Redis ou Pinecone.
• Agnóstico de Framework: Funciona com LangGraph, CrewAI, AutoGen, LlamaIndex ou Python simples.
• Licença MIT: Compatível com Python 3.13+ e utiliza operações assíncronas.

Uma configuração de exemplo 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="Acabei de começar na Anthropic como pesquisador.",
        assistant_message="Parabéns! Qual é sua área de foco?",
    )
    await memory.process("user-123")
    result = await memory.retrieve("O que o usuário faz?", user_id="user-123")

O projeto está atualmente em estágio inicial (v0.1.0), e o feedback é incentivado, especialmente em relação à abordagem de extração e possíveis integrações úteis.