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
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
523
3.72 K
Ascend Extension for PyTorch
Python
328
387
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++
876
576
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
335
161
暂无简介
Dart
762
187
🎉 (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
1.33 K
745
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
React Native鸿蒙化仓库
JavaScript
302
349
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
112
136