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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
jiuwenclawJiuwenClaw 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。Python0220- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
AtomGit城市坐标计划AtomGit 城市坐标计划开启!让开源有坐标,让城市有星火。致力于与城市合伙人共同构建并长期运营一个健康、活跃的本地开发者生态。01
AntSK基于.Net9 + AntBlazor + SemanticKernel 和KernelMemory 打造的AI知识库/智能体,支持本地离线AI大模型。可以不联网离线运行。支持aspire观测应用数据CSS01
项目优选
收起
deepin linux kernel
C
27
13
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
625
4.12 K
Ascend Extension for PyTorch
Python
461
554
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++
929
797
🎉 (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
1.49 K
842
暂无简介
Dart
866
207
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
69
21
Oohos_react_native
React Native鸿蒙化仓库
JavaScript
326
381
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
130
189
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
380
261