Memobase 使用教程
2026-01-30 04:56:21作者:尤辰城Agatha
1. 项目介绍
Memobase 是一个基于用户档案的记忆系统,旨在为生成式人工智能(GenAI)应用带来长期用户记忆。无论是构建虚拟伴侣、教育工具还是个性化助手,Memobase 都能赋予您的 AI 记忆、理解和随着用户成长的能力。
Memobase 提供了结构化的用户档案,能够记录用户的语言、婚姻状况、教育背景、兴趣、心理特征和职业等信息,从而让 AI 更好地理解和服务于用户。
2. 项目快速启动
环境准备
在开始之前,确保您已经安装了 Python 环境。
安装 Memobase
通过以下命令安装 Memobase Python SDK:
pip install memobase
启动 Memobase 后端
您需要准备以下两个东西来继续:
- 项目 URL。默认为
http://localhost:8019 - 项目令牌。默认为
secret
初始化 Memobase 客户端
在您的 Python 代码中,初始化 Memobase 客户端并连接到后端:
from memobase import MemoBaseClient, ChatBlob
mb = MemoBaseClient(
project_url='http://localhost:8019',
api_key='secret'
)
assert mb.ping()
管理用户
创建、更新和获取用户信息:
# 添加用户
uid = mb.add_user({"any_key": "any_value"})
# 更新用户信息
mb.update_user(uid, {"any_key": "any_value2"})
# 获取用户信息
user = mb.get_user(uid)
print(user)
插入数据
在 Memobase 中,所有类型的数据都是以 blob 的形式存在的,您可以插入、获取和删除这些数据:
# 插入数据
messages = [
{"role": "user", "content": "Hello, I'm Gus"},
{"role": "assistant", "content": "Hi, nice to meet you, Gus!"}
]
bid = user.insert(ChatBlob(messages=messages))
print(user.get(bid))
# 默认情况下,Memobase 处理完数据后会移除 blobs。
# user.delete(bid)
获取用户记忆
# 刷新并获取记忆
user.flush()
# 获取用户档案
print(user.profile(need_json=True))
3. 应用案例和最佳实践
用户记忆集成
将用户档案集成到您的 AI 提示中,以便更好地理解用户:
context = user.context(max_token_size=500, prefer_topics=["basic_info"])
print(context)
用户分析和跟踪
通过分析用户对话,记录用户偏好和行为:
profiles = user.profile()
def under_age_30(p):
return p.sub_topic == "age" and int(p.content) < 30
def love_cat(p):
return p.topic == "interest" and p.sub_topic == "pets" and "cat" in p.content
is_user_under_30 = len([p for p in profiles if under_age_30(p)]) > 0
is_user_love_cat = len([p for p in profiles if love_cat(p)]) > 0
推荐产品
根据用户职业推荐相应的产品:
def pick_an_ad(profiles):
work_titles = [p for p in profiles if p.topic == "work" and p.sub_topic == "title"]
if not work_titles:
return None
wt = work_titles[0].content
if wt == "Software Engineer":
return "Deep Learning Stuff"
elif wt == "some job":
return "some ads"
4. 典型生态项目
Memobase 可以与各种 AI 应用集成,例如聊天机器人、个性化教育工具等,形成一个强大的生态系统。通过记录和分析用户数据,这些项目可以更好地适应用户需求,提供更个性化的服务。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0150- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0111
项目优选
收起
暂无描述
Dockerfile
731
4.73 K
Ascend Extension for PyTorch
Python
609
786
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1 K
1.01 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
433
392
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
145
237
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.15 K
148
暂无简介
Dart
983
251
Oohos_react_native
React Native鸿蒙化仓库
C++
348
401
昇腾LLM分布式训练框架
Python
166
197
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.67 K
986