关键词

AI记忆向量数据库知识图谱语义搜索LLM工具

项目简介

Memorizer是一个基于.NET构建的服务，旨在为AI代理提供一个持久化的记忆系统。它利用PostgreSQL结合pgvector扩展来存储带有向量嵌入的结构化记忆，并支持高效的语义搜索、记忆检索、关系构建等功能，为AI应用提供强大的上下文服务。Memorizer与Model Context Protocol (MCP) 集成，允许AI客户端通过标准协议轻松访问其能力，同时提供一个Web UI方便人工管理记忆。

主要功能点

  • 记忆存储: 存储带有类型、内容、来源、标题、标签和置信度分数的结构化记忆。支持将Markdown、代码或普通文本作为内容。
  • 语义搜索: 通过向量相似度搜索记忆，高效找到与自然语言查询相关的记忆。
  • 记忆检索: 根据唯一ID或通过分页机制检索特定记忆，支持批量获取多个记忆。
  • 关系构建: 在记忆之间建立自定义类型（如“父子”、“引用”、“相关”）的关系，形成知识图谱，增强上下文理解能力。
  • Web UI: 提供用户友好的Web界面，方便人工查看、创建、编辑、删除和搜索记忆，并查看统计信息。
  • MCP集成: 通过JSON-RPC协议向LLM客户端提供标准化、可调用的工具接口，实现AI代理对记忆服务的无缝集成。
  • 背景任务: 支持后台自动为无标题记忆生成标题、为记忆生成元数据嵌入等任务。

安装步骤

最简单的安装方式是使用Docker Compose，它将启动所有必要的服务：

  1. 确保您的系统已安装Docker和Docker Compose。
  2. 在终端中导航到项目根目录（或包含 'docker-compose.yml' 文件的目录）。
  3. 运行以下命令以启动所有服务： 
    docker-compose up -d
    这将执行以下操作：
    • 下载并运行最新的 'petabridge/memorizer' Docker镜像。
    • 启动PostgreSQL数据库（监听端口5432），并启用pgvector扩展用于向量存储。
    • 启动PgAdmin（监听端口5050），一个用于管理PostgreSQL数据库的Web界面。
    • 启动Ollama（监听端口11434），一个本地LLM运行环境，用于生成嵌入和标题。
    • 启动Memorizer API（监听端口5000），即MCP服务器本身。
  4. 服务启动后，您可以通过浏览器访问 'http://localhost:5000/ui' 来使用Memorizer的Web用户界面。

服务器配置

MCP客户端需要以下配置信息来连接Memorizer服务器。请将此JSON片段添加到您的MCP客户端配置文件（例如 'mcp.json'）中：

{
  "mcpServers": {
    "memorizer": {
      "url": "http://localhost:5000"
    }
  }
}
  • 'mcpServers': 这是MCP客户端配置的根对象，用于定义所有可用的MCP服务器。
  • 'memorizer': 这是您为Memorizer服务器定义的逻辑名称，您可以在MCP客户端或LLM的系统提示中引用它。
  • 'url': 这是Memorizer服务器的访问地址。默认情况下，当通过 'docker-compose up -d' 启动时，它将在 'http://localhost:5000' 上运行。如果服务器部署在其他地址，请更新此URL。

基本使用方法

LLM客户端（如AI代理）可以通过MCP协议调用Memorizer提供的工具来管理和检索记忆。以下是一些主要工具及其使用场景：

  • 'store' (存储记忆):

    • 用途: 将新信息持久化存储到记忆系统中。例如，AI代理可以保存重要的参考资料、学习到的新技能、用户提供的操作指南或它自己生成的知识，以便将来复用。
    • 参数示例: 'type="how-to"', 'text="如何在Python中使用requests库发送HTTP请求...", source="LLM"', 'title="Python requests库使用教程"', 'tags=["python", "http", "requests"]'。
    • 关联记忆: 您还可以指定 'relatedTo' (记忆ID) 和 'relationshipType' (关系类型，如"example-of", "explains") 来在存储时直接建立与其他记忆的链接。

  • 'search' (搜索记忆):

    • 用途: 根据自然语言查询，查找与当前任务或上下文最相关的记忆。例如，AI代理可以搜索“如何编写单元测试”来获取相关的操作指南。
    • 参数示例: 'query="如何发送带认证的HTTP请求?"', 'limit=5' (返回最多5个结果), 'minSimilarity=0.7' (最低相似度), 'filterTags=["python", "http"]' (仅搜索包含这些标签的记忆)。

  • 'get' (获取单条记忆):

    • 用途: 根据记忆的唯一ID精确检索一条记忆。通常在AI代理已经知道某个记忆的ID，并需要其完整内容时使用。
    • 参数示例: 'id="a1b2c3d4-e5f6-7890-1234-567890abcdef"'。

  • 'getMany' (获取多条记忆):

    • 用途: 根据提供的记忆ID列表，批量检索多条记忆。这对于获取一组相关联的知识片段非常高效。
    • 参数示例: 'ids=["a1b2...", "b2c3...", "c3d4..."]'。

  • 'delete' (删除记忆):

    • 用途: 根据记忆的ID，从系统中移除不再需要或已过时的记忆。
    • 参数示例: 'id="a1b2c3d4-e5f6-7890-1234-567890abcdef"'。

  • 'createRelationship' (创建关系):

    • 用途: 在两个现有记忆之间手动建立自定义类型的关系，以丰富知识图谱。
    • 参数示例: 'fromId="id_of_concept"', 'toId="id_of_example"', 'type="example-of"'。

AI代理可以结合这些工具，根据其逻辑和用户需求，动态地存储、检索和管理知识，从而实现更高级的记忆和推理能力。

信息

分类

AI与计算

访问项目