LangMem 發布：任何人都能輕松構建智能體記憶！ 精華
今天，我們正式發布了 LangMem SDK——一個幫助您的代理通過長期記憶不斷學習和改進的工具庫。
這個 SDK 提供了一些工具，能夠從對話中提取信息、通過更新提示詞優化代理行為，并保持關于行為、事實和事件的長期記憶。
您可以將 LangMem 的核心 API 與任何存儲系統配合使用，也能在任何代理框架中集成。它還與 LangGraph 的長期記憶層原生兼容。我們還推出了一項托管服務，提供額外的長期記憶功能，并且免費提供——如果您希望在生產環境中使用，您可以通過此鏈接注冊。
我們的目標是讓任何人都能夠更容易地構建那些隨著時間推移，變得更加智能和個性化的 AI 體驗。這項工作建立在我們之前推出的 LangMem alpha 服務和 LangGraph 的持久化 長期記憶層的基礎上。
安裝方法很簡單，只需運行：
pip install -U langmem記憶與自適應代理
代理通過記憶來學習，但其記憶的形成、存儲、更新和調用方式，會影響代理能夠學到哪些知識，或者執行哪些任務。在 LangChain，我們發現，首先識別代理所需學習的能力，并將這些能力與特定的記憶類型或方法對應起來，之后再在代理中實現這些功能，是非常重要的。在添加記憶之前，您應該先考慮以下幾個問題：
- 哪些行為應該由用戶反饋學習，哪些應該是預定義的？
- 應該跟蹤哪些類型的知識或事實？
- 什么條件下記憶應該被調用？
盡管有一些重疊，每種記憶類型在構建自適應代理時都有其獨特的功能：
記憶類型 | 目的 | 代理示例 | 人類示例 | 典型存儲方式 |
語義記憶 | 知識與事實 | 用戶偏好、知識三元組 | 知道 Python 是一種編程語言 | 配置文件或集合 |
事件記憶 | 過去的經驗 | 少量示例、過去對話的總結 | 記得第一天上班的情景 | 集合 |
程序記憶 | 系統行為 | 核心個性和響應模式 | 知道如何騎自行車 | 提示規則或集合 |
回到上面的問題：
- 哪些行為應該被學習，哪些應該是固定的？您的代理行為中的某些部分可能需要根據用戶反饋和經驗進行調整，而其他部分應該保持一致。這個問題將幫助您決定是否需要程序記憶來讓行為模式不斷進化，還是固定的提示規則就能滿足需求。這類似于 OpenAI 模型規范中的“指揮鏈”概念，因為學習的行為是通過與用戶的互動來塑造的。
- 應該跟蹤哪些類型的知識或事實？不同的應用場景需要不同類型的記憶持久化。您可能需要語義記憶來存儲有關用戶或領域的事實，事件記憶來從成功的交互中學習，或者兩者結合使用。
- 什么條件下應該回憶起記憶？有些記憶（如核心程序記憶）是數據獨立的——它們始終存在于提示詞中。其他記憶可能是數據相關的，根據語義相似度來調用。有些記憶則可能根據應用上下文、相似度、時間等因素來觸發回憶。
另一個需要關注的問題是記憶的隱私性。在 LangMem 中，每條記憶都有一個命名空間。最常見的命名空間是使用 ??use_id??，以避免不同用戶之間的記憶交叉。一般來說，記憶可以限定在特定的應用路由、特定的用戶，或者跨團隊共享，代理也可以學習所有用戶的核心行為模式。記憶的共享程度由隱私和性能需求決定。
這些記憶類型旨在處理超越單一對話的記憶。在 LangGraph 中，給定對話或線程內的記憶已經通過檢查點功能得到了合理處理（只要它不超出模型的有效上下文窗口），這充當了代理的“短期”或“工作”記憶系統。
這與標準的 RAG 系統有所不同，具體體現在兩個方面：首先是信息獲取的方式：是通過交互，而不是通過離線數據攝取。其次是優先處理的信息類型。接下來，我們將詳細介紹這些記憶類型。
語義記憶：事實
語義記憶存儲關鍵的事實和它們之間的關系，以及其他能為代理提供支持的信息。它讓代理能夠記住那些模型無法“預訓練”的重要細節，而這些信息在網頁搜索或通用檢索器中是無法獲取的。
memories = [
ExtractedMemory(
id="27e96a9d-8e53-4031-865e-5ec50c1f7ad5",
cnotallow=Memory(
cnotallow="Alice 管理著 ML 團隊，并且指導 Bob，Bob 也是團隊成員。"
),
),
ExtractedMemory(
id="e2f6b646-cdf1-4be1-bb40-0fd91d25d00f",
cnotallow=Memory(
cnotallow="Bob 現在領導 ML 團隊并負責 NLP 項目。"
),
),
]在我們經驗中，語義記憶是工程師在首次尋求添加記憶層時最常想要的記憶類型（可能在短期“對話歷史”記憶之后）。
它（可以說）與傳統的 RAG 系統最為相似。如果某些知識可以從其他存儲（如文檔、代碼庫等）中獲取，且該存儲被認為是權威來源（而非交互本身），那么您的代理可以通過直接檢索該知識庫中的信息來正常工作。或者，您也可以定期將這些知識引入語義記憶系統。如果這些知識涉及個性化（關于用戶的）或者是原材料中找不到的概念關系，那么語義記憶將非常適合您的需求。
程序記憶：行為的演變
程序記憶代表了內化的如何做的知識。它與事件記憶的不同之處在于，它專注于一般化的技能、規則和行為。對于 AI 代理，程序記憶是保存在模型權重、代理代碼和代理提示中的，決定了代理的功能。在 LangMem 中，我們將程序記憶視為通過更新代理提示來保存的學習到的指令。
"""
你是一個樂于助人的助手..
如果用戶詢問天文學問題，使用真實世界的例子和當前的科學數據清晰地解釋相關話題。
在有幫助時使用視覺參考，并根據用戶的知識水平做出調整。
平衡實際的天文觀察和理論概念，基于用戶需求提供觀測建議或技術解釋。
"""優化器會根據成功與不成功的交互，識別出有效的行為模式，并更新系統提示來強化這些行為。這形成了一個反饋回路，使代理的核心指令根據觀察到的表現不斷演變。
事件記憶：經歷與事件
事件記憶存儲的是過去交互的記憶。它與程序記憶的不同之處在于，它專注于回憶具體的經歷，而不是一般化的知識。它也與語義記憶不同，因為它關注的是過去的事件，而不是普遍的事實，它回答的是“代理如何解決了一個特定的問題”，而不僅僅是“答案是什么”。事件記憶通常以少量示例的形式存在，每個示例都提煉自較長的原始交互。目前，LangMem 還不支持專門為事件記憶設計的實用工具。
立即體驗
您可以通過查看 文檔，了解更多關于如何使用 LangMem 實現自定義記憶系統的示例，包括以下內容：
- 創建一個能夠主動管理自己記憶的代理
- 在代理之間共享記憶
- 為記憶命名空間，以便按用戶或團隊組織信息
- 將 LangMem 集成到您自定義的框架中
通過這種方式，LangMem SDK 為代理提供了一個全新的長期記憶管理系統，使得 AI 代理能夠在長期互動中不斷進化，變得更加智能與個性化。每種記憶類型的設計都緊密圍繞著代理行為的提升與優化，您可以根據具體的應用場景來選擇合適的記憶方式，提升您的代理能力。
本文轉載自 ??AI小智??，作者： AI小智
