为了实现一个名为Mem0的Agent Memory系统，我们需要定义一个内存结构，该结构能够存储信息，并允许Agent（智能体）进行读取、写入和查询操作。以下是一个简单的Python实现，它模拟了一个基本的Agent Memory系统。```pythonc

记忆存储是构建智能个性化、越用越懂你的Agent的核心挑战。上期我们探讨了模型方案实现长记忆存储，本期将聚焦工程实现层面。 What：记忆内容（手动管理 vs 自动识别） How：记忆处理（压缩/抽取 vs 直接存储） Where：存储介质（内存/向量库/图数据库） Length：记忆长度管理（截断 vs 无限扩展） Format：上下文构建方式 Retrieve：记忆检索机制 下面我们看两个开源方案LlamaIndex和Mem0对于记忆存储的实现方式 LlamaIndex https://github.com/run-llama/llama_index/tree/main/llama-index-core/llama_index/core/memory LlamaIndex提供了长短记忆两种记忆存储方式，短期记忆管理对话历史不做任何处理，当短期记忆超过设定的存储上限则进行持久化存储，或通过事实抽取压缩，或通过向量存储进行相关记忆召回。 短期记忆 通过前文定义的记忆维度分析其实现： 维度 实现方式 What 手动管理：通过put/get方法读写 How 原始存储：无压缩或抽象处理 Where 内存存储：基于SQLAlchemy Length Token限制：超限时丢弃早期记忆 Format 线性拼接：直接拼接所有记忆 Retrieve 全量获取：无筛选机制 以下是一个在智能体中使用Memory的示例，短期记忆默认使用Memory初始化，直接传入Agent的运行过程中，Agent每一步运行都会调用finalize方法来更新Memory。运行完以下对话后的通过get方法获取最新的短期记忆如下。 from llama_index.core.memory import Memory from llama_index.llms.azure_openai import AzureOpenAI from llama_index.core.agent.workflow import FunctionAgent memory = Memory.from_defaults(session_id="my_session", token_limit=40000) import asyncio llm = AzureOpenAI(**kwargs) agent = FunctionAgent(llm=llm, tools=[]) response = await agent.run("你好",memory=memory) 如果不使用Agent直接用大模型自己编排工作流的话，需要手动把历史对话插入Memory from llama_index.core.llms import ChatMessage memory.put_messages( [ ChatMessage(role="user", content="你好"), ChatMessage(role="assistant", content="你好，有什么我能帮您的么？"), ] ) 长期记忆 llamaIndex提供3种长期记忆，分别是StaticMemoryBlock，FactExtractionMemoryBlock，VectorMemoryBlock，差异主要在 StaticMemoryBlock：没有Put方法，不由短期记忆转化而来，而是静态记忆，手动初始化后写入system或者user信息中，再也不变，适合System Message，或者固定推理格式风格等描述之类 VectorMemoryBlock：依旧是线性存储不做处理，不过是写入向量引擎，通过最后一个Message，或者多个memssage拼成的context-window作为检索query进行相关记忆的检索召回。 FactExtractionMemoryBlock：通过事实抽取进行记忆压缩存储。 这里我们举个理财师和客户间对话的例子，来看下当短期记忆超过token_limit * chat_history_token_ratio后，会自动持久化到长期记忆，写入system memsage（也可以写入user message通过insert_method来控制），这时系统指令会变成什么样子。