LangMem 发布：任何人都能轻松构建智能体记忆！

尽管有一些重叠，每种记忆类型在构建自适应代理时都有其独特的功能：

小天才学习机打游戏

1154人浏览 · 2025-02-20 10:22:50

小天才学习机打游戏 · 2025-02-20 10:22:50 发布

今天，我们正式发布了 LangMem SDK——一个帮助您的代理通过长期记忆不断学习和改进的工具库。

这个 SDK 提供了一些工具，能够从对话中提取信息、通过更新提示词优化代理行为，并保持关于行为、事实和事件的长期记忆。

您可以将 LangMem 的核心 API 与任何存储系统配合使用，也能在任何代理框架中集成。它还与 LangGraph 的长期记忆层原生兼容。我们还推出了一项托管服务，提供额外的长期记忆功能，并且免费提供——如果您希望在生产环境中使用，您可以通过此链接注册。

我们的目标是让任何人都能够更容易地构建那些随着时间推移，变得更加智能和个性化的 AI 体验。这项工作建立在我们之前推出的 LangMem alpha 服务和 LangGraph 的持久化长期记忆层的基础上。

安装方法很简单，只需运行：

pip install -U langmem

记忆与自适应代理

代理通过记忆来学习，但其记忆的形成、存储、更新和调用方式，会影响代理能够学到哪些知识，或者执行哪些任务。在 LangChain，我们发现，首先识别代理所需学习的能力，并将这些能力与特定的记忆类型或方法对应起来，之后再在代理中实现这些功能，是非常重要的。在添加记忆之前，您应该先考虑以下几个问题：

哪些行为应该由用户反馈学习，哪些应该是预定义的？
应该跟踪哪些类型的知识或事实？
什么条件下记忆应该被调用？

尽管有一些重叠，每种记忆类型在构建自适应代理时都有其独特的功能：

在这里插入图片描述

回到上面的问题：

哪些行为应该被学习，哪些应该是固定的？ 您的代理行为中的某些部分可能需要根据用户反馈和经验进行调整，而其他部分应该保持一致。这个问题将帮助您决定是否需要程序记忆来让行为模式不断进化，还是固定的提示规则就能满足需求。这类似于 OpenAI 模型规范中的“指挥链”概念，因为学习的行为是通过与用户的互动来塑造的。
应该跟踪哪些类型的知识或事实？ 不同的应用场景需要不同类型的记忆持久化。您可能需要语义记忆来存储有关用户或领域的事实，事件记忆来从成功的交互中学习，或者两者结合使用。
什么条件下应该回忆起记忆？ 有些记忆（如核心程序记忆）是数据独立的——它们始终存在于提示词中。其他记忆可能是数据相关的，根据语义相似度来调用。有些记忆则可能根据应用上下文、相似度、时间等因素来触发回忆。

另一个需要关注的问题是记忆的隐私性。在 LangMem 中，每条记忆都有一个命名空间。最常见的命名空间是使用 use_id，以避免不同用户之间的记忆交叉。一般来说，记忆可以限定在特定的应用路由、特定的用户，或者跨团队共享，代理也可以学习所有用户的核心行为模式。记忆的共享程度由隐私和性能需求决定。

这些记忆类型旨在处理超越单一对话的记忆。在 LangGraph 中，给定对话或线程内的记忆已经通过检查点功能得到了合理处理（只要它不超出模型的有效上下文窗口），这充当了代理的“短期”或“工作”记忆系统。

这与标准的 RAG 系统有所不同，具体体现在两个方面：首先是信息获取的方式：是通过交互，而不是通过离线数据摄取。其次是优先处理的信息类型。接下来，我们将详细介绍这些记忆类型。

语义记忆：事实

语义记忆存储关键的事实和它们之间的关系，以及其他能为代理提供支持的信息。它让代理能够记住那些模型无法“预训练”的重要细节，而这些信息在网页搜索或通用检索器中是无法获取的。

memories = [       ExtractedMemory(           id="27e96a9d-8e53-4031-865e-5ec50c1f7ad5",           content=Memory(               content="Alice 管理着 ML 团队，并且指导 Bob，Bob 也是团队成员。"           ),       ),       ExtractedMemory(           id="e2f6b646-cdf1-4be1-bb40-0fd91d25d00f",           content=Memory(               content="Bob 现在领导 ML 团队并负责 NLP 项目。"           ),       ),   ]

在我们经验中，语义记忆是工程师在首次寻求添加记忆层时最常想要的记忆类型（可能在短期“对话历史”记忆之后）。

它（可以说）与传统的 RAG 系统最为相似。如果某些知识可以从其他存储（如文档、代码库等）中获取，且该存储被认为是权威来源（而非交互本身），那么您的代理可以通过直接检索该知识库中的信息来正常工作。或者，您也可以定期将这些知识引入语义记忆系统。如果这些知识涉及个性化（关于用户的）或者是原材料中找不到的概念关系，那么语义记忆将非常适合您的需求。

程序记忆：行为的演变

程序记忆代表了内化的如何做的知识。它与事件记忆的不同之处在于，它专注于一般化的技能、规则和行为。对于 AI 代理，程序记忆是保存在模型权重、代理代码和代理提示中的，决定了代理的功能。在 LangMem 中，我们将程序记忆视为通过更新代理提示来保存的学习到的指令。

"""   你是一个乐于助人的助手..       如果用户询问天文学问题，使用真实世界的例子和当前的科学数据清晰地解释相关话题。       在有帮助时使用视觉参考，并根据用户的知识水平做出调整。       平衡实际的天文观察和理论概念，基于用户需求提供观测建议或技术解释。   """

优化器会根据成功与不成功的交互，识别出有效的行为模式，并更新系统提示来强化这些行为。这形成了一个反馈回路，使代理的核心指令根据观察到的表现不断演变。

事件记忆：经历与事件

事件记忆存储的是过去交互的记忆。它与程序记忆的不同之处在于，它专注于回忆具体的经历，而不是一般化的知识。它也与语义记忆不同，因为它关注的是过去的事件，而不是普遍的事实，它回答的是“代理如何解决了一个特定的问题”，而不仅仅是“答案是什么”。事件记忆通常以少量示例的形式存在，每个示例都提炼自较长的原始交互。目前，LangMem 还不支持专门为事件记忆设计的实用工具。

立即体验

您可以通过查看文档，了解更多关于如何使用 LangMem 实现自定义记忆系统的示例，包括以下内容：

创建一个能够主动管理自己记忆的代理
在代理之间共享记忆
为记忆命名空间，以便按用户或团队组织信息
将 LangMem 集成到您自定义的框架中

通过这种方式，LangMem SDK 为代理提供了一个全新的长期记忆管理系统，使得 AI 代理能够在长期互动中不断进化，变得更加智能与个性化。每种记忆类型的设计都紧密围绕着代理行为的提升与优化，您可以根据具体的应用场景来选择合适的记忆方式，提升您的代理能力。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述