AgentMemory-Pro

整合版 Agent 记忆服务，集成安全过滤、信任分级、外溢策略、三维度检索。

特性

• 安全过滤：内置提示注入检测 + 敏感信息脱敏（手机号、身份证、邮箱、银行卡、地址）
• 信任分级：高/中/低三级，检索时自动过滤低信任记忆
• 外溢策略：MemGPT式上下文管理，主记忆满时自动外溢旧记忆
• 记忆分类：情景记忆（具体事件）+ 语义记忆（事实偏好）
• 检索策略：
  • safe：信任度过滤 + 相关性排序（安全优先）
  • generative：新近性 + 重要性 + 相关性三维度加权（Generative Agents式）

安装

pip install -r requirements.txt

快速开始

基础使用

from core.memory_manager import AgentMemoryPro

# 初始化
mm = AgentMemoryPro(retrieval_strategy="safe")

# 添加记忆
mm.add("user_123", "我喜欢海边")
mm.add("user_123", "上次去三亚住了亚龙湾")

# 检索
results = mm.search("user_123", "住宿偏好", top_k=3)
for r in results:
    print(f"{r['memory']} (trust={r['trust']}, score={r['score']})")

三维度检索（Generative Agents式）

# 初始化（三维度检索）
mm = AgentMemoryPro(
    retrieval_strategy="generative",
    alpha=0.3,  # 新近性权重
    beta=0.5,   # 重要性权重
    gamma=0.2   # 相关性权重
)

# 添加记忆（自动计算重要性）
mm.add("agent_1", "早上吃了早餐")        # importance=2
mm.add("agent_1", "下午向女朋友求婚了")  # importance=9

# 检索（三维度加权）
results = mm.search("agent_1", "感情相关", top_k=2)
for r in results:
    print(f"{r['memory']}: score={r['score']} "
          f"(recency={r['recency']}, importance={r['importance']}, relevance={r['relevance']})")

API 服务

# 启动API
python api/main.py

# 访问文档
# http://localhost:8000/docs

架构

AgentMemory-Pro/
├── core/
│   ├── memory_manager.py  # 核心管理器
│   ├── security.py        # 安全过滤
│   ├── trust.py           # 信任分级
│   └── overflow.py        # 外溢策略
├── memory_types/
│   ├── episodic.py        # 情景记忆
│   └── semantic.py        # 语义记忆
├── api/
│   └── main.py            # FastAPI接口
├── tests/
│   └── test_memory.py     # 测试用例
└── examples/
    ├── basic_usage.py
    └── generative_retrieval.py

对比

特性	mem0	MemGPT	AgentMemory-Pro
安全过滤	无	无	内置
信任分级	无	无	内置
外溢策略	无	有	有
三维度检索	无	无	有
记忆分类	无	无	情景+语义

配置

创建 .env 文件：

OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
MODEL_NAME=qwen-turbo
RETRIEVAL_STRATEGY=generative
ALPHA=0.3
BETA=0.5
GAMMA=0.2

多并发部署（Qdrant Server）

默认使用本地模式（数据存储在 .mem0_data 文件夹），仅支持单进程访问。如需支持多客户端并发，需改用 Qdrant Server 模式。

1. 启动 Qdrant Server

docker run -d -p 6333:6333 -p 6334:6334 -v qdrant_storage:/qdrant/storage qdrant/qdrant

2. 修改配置

在 memory_manager.py 中，将 vector_store 配置从本地模式改为服务端模式：

# 本地模式（单进程）
"vector_store": {
    "provider": "qdrant",
    "config": {
        "path": ".mem0_data"  # 本地文件夹
    }
}

# 服务端模式（支持多并发）
"vector_store": {
    "provider": "qdrant",
    "config": {
        "host": "localhost",
        "port": 6333  # Qdrant Server 端口
    }
}

本地模式 vs 服务端模式

特性	本地模式	服务端模式
并发访问	不支持（文件锁）	支持
部署方式	自动创建	需 Docker
适用场景	开发调试、单机使用	生产环境、多用户
数据存储	本地文件夹	Qdrant 服务管理

测试

pytest tests/ -v

适用场景

• Agent 开发学习项目
• 需要记忆安全的垂直场景（医疗、金融、法律）
• 长对话、角色扮演（三维度检索）
• 秋招项目展示

License

MIT