memv: Открытая система памяти для ИИ-агентов

memv — это система памяти с открытым исходным кодом, созданная для ИИ-агентов с уникальным подходом к извлечению знаний. В отличие от традиционных систем памяти, которые собирают каждую информацию и сильно полагаются на извлечение для организации, memv сосредотачивается исключительно на хранении ошибок предсказания. Она использует метод предсказания и калибровки, при котором перед извлечением знаний из нового взаимодействия предсказывается, что эпизод должен содержать на основе существующих знаний. Хранятся только те факты, которые оказались неожиданными, поскольку важность определяется удивлением, а не исходными оценками больших языковых моделей (LLM).

Ключевые детали

• Би-временная модель: Каждый факт отслеживается как по времени события, так и по времени транзакции, что позволяет задавать запросы, например, "что мы знали об этом пользователе в январе?"
• Гибридное извлечение: Использует векторное сходство (sqlite-vec) в сочетании с текстовым поиском BM25 (FTS5) через всёобъемлющее слияние рангов.
• Обработка противоречий: Новые факты автоматически противоречат и аннулируют более старые конфликтующие, но полная история сохраняется.
• SQLite по умолчанию: Никаких внешних зависимостей — не требуется Postgres, Redis или Pinecone.
• Независимость от платформы: Работает с LangGraph, CrewAI, AutoGen, LlamaIndex или обычным Python.
• Лицензия MIT: Совместима с Python 3.13+ и использует асинхронные операции.

Пример настройки с использованием 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="Я только что начал работать в Anthropic в качестве исследователя.",
        assistant_message="Поздравляю! В какой области ты работаешь?",
    )
    await memory.process("user-123")
    result = await memory.retrieve("Что делает пользователь?", user_id="user-123")

Проект находится на ранней стадии (v0.1.0), и приветствуются отзывы, особенно касающиеся подхода к извлечению и потенциальных полезных интеграций.