ImpressMem

给 AI Agent 的印象式记忆系统 —— 不做向量检索，不做复杂召回漏斗，用 Redis zset + LLM 理解能力实现轻量记忆，依赖只有 redis 一个包。

ImpressMem 模拟人类"形成印象"的认知方式，让 AI Agent 拥有轻量、高效、可自进化的长期记忆能力。它不依赖向量数据库、不需要 embedding 模型、不需要部署额外服务，只需要一个 Redis 实例。

为什么选 ImpressMem？

现有的 AI 记忆方案功能强大，但往往需要向量数据库、embedding 模型、内部自动调用 LLM 做信息抽取，安装依赖多、部署复杂。

如果你只是想给 AI Agent 加一个轻量记忆，不想折腾这些基础设施，ImpressMem 就是为你准备的：

• 零向量数据库 —— 不需要 Qdrant/Chroma/Pinecone，不需要 embedding 模型
• 单依赖 —— pip install impressmem 只装 redis，没有 torch/numpy/openai 一堆东西
• 不调用 LLM —— ImpressMem 本身是纯存储/检索工具，LLM 调用完全由你控制
• 印象式认知模型 —— 三级结构（category/label/clue）+ 时间衰减 + 自动合并冗余，模拟人类形成印象的方式
• OpenAI function calling 原生支持 —— 3 个工具直接塞进 tools 参数就能用

架构

┌─────────────────────────────────────────────────────────┐
│                     AI Agent / LLM                       │
│  ┌─────────────┐  ┌──────────────┐  ┌────────────────┐  │
│  │ Save Tool   │  │ Recall Tool  │  │ Organize Tool  │  │
│  └──────┬──────┘  └──────┬───────┘  └───────┬────────┘  │
│         │                │                   │           │
│         └────────────────┼───────────────────┘           │
│                          │                               │
│              ┌───────────▼───────────┐                   │
│              │  slice_new_turn_msgs  │  ← 渐进式沉淀     │
│              └───────────┬───────────┘                   │
└──────────────────────────┼───────────────────────────────┘
                           │
                    ┌──────▼──────┐
                    │  Redis zset │  category/label/clue
                    └─────────────┘

Installation

pip install impressmem

Requires Python 3.8+ and a running Redis instance (default: localhost:6379).

Quick Start

import asyncio
from impressmem import ImpressMemConfig, ImpressMemManager

async def main():
    config = ImpressMemConfig(
        bot_id="MyAssistant",
        redis_config={"host": "localhost", "port": 6379, "db": 0},
    )
    manager = ImpressMemManager(config)

    # 获取记忆上下文，直接塞进 LLM 的 system prompt
    memory_context = await manager.build_memory_context()
    print(memory_context)

    await manager.close()

asyncio.run(main())

实战场景

ImpressMem 在实战中有两种典型用法：

场景一：Agent 原生工具（主动调用）

三个 Tool 类实现了 OpenAI function calling 接口，直接作为工具注册给 Agent，让 LLM 在对话中自主决定何时保存、回忆、整理记忆：

import json
from impressmem import (
    ImpressMemConfig, ImpressMemManager,
    SaveImpressionsTool, RecallImpressionsTool, OrganizeImpressionsTool
)

config = ImpressMemConfig(bot_id="MyAssistant", redis_config={"host": "localhost"})
manager = ImpressMemManager(config)

# 初始化三个工具
save_tool = SaveImpressionsTool(manager)
recall_tool = RecallImpressionsTool(manager)
organize_tool = OrganizeImpressionsTool(manager)

# 获取 OpenAI function calling 格式的工具定义
tools = [
    save_tool.get_definition(),
    recall_tool.get_definition(),
    organize_tool.get_definition(),
]

# 传给 LLM 的 tools 参数即可，Agent 会自主调用
# response = await openai.chat.completions.create(
#     model="gpt-4",
#     messages=messages,
#     tools=tools,
# )

# 执行工具调用时（支持批量，一次保存多条碎片化印象）：
# full_result, summary = await save_tool.execute(json.dumps({
#     "impressions": [
#         {"clue": "USER-PREF-COLOR", "content": "用户喜欢紫色主题", "category": "UserPreference", "labels": ["Color", "UI"]},
#         {"clue": "USER-PREF-LANG", "content": "偏好中文回复", "category": "UserPreference", "labels": ["Language"]},
#     ]
# }))

场景二：渐进式被动沉淀（自动记忆）

搭配 slice_new_turn_messages() 方法，在每轮对话结束后自动蒸馏关键信息，实现"不需要 Agent 主动记，系统自动沉淀印象"的效果。

个人助手实践示例：ai-bot-brain/impression_manager.py 中的 maintain_impressions_by_llm 方法，在 Agent 每一次模型轮结束后触发：

用户消息 → LLM 回复 → 模型轮结束
    ↓
slice_new_turn_messages(full_history)  ← 切出本轮增量消息
    ↓
构建上下文（已有记忆 + 本轮消息 + Save/Organize 工具定义）
    ↓
LLM 自主判断：是否有新信息需要保存？是否有冗余记忆需要合并？
    ↓
自动调用 SaveImpressionsTool / OrganizeImpressionsTool 执行沉淀

核心实现思路：

from impressmem import slice_new_turn_messages

# 1. 每轮对话结束后，切出本轮增量消息
new_turn = slice_new_turn_messages(full_message_history)

# 2. 获取记忆维护的 system prompt（指导 LLM 分析消息、判断是否需要保存/合并）
maintain_prompt = manager.get_maintain_prompt()
# 返回 str，指导 LLM 分析新消息、判断是否需要保存印象或合并冗余

# 3. 获取记忆维护所需的工具定义（SaveImpressionsTool + OrganizeImpressionsTool）
maintain_tools = manager.get_maintain_tool_definitions()
# 返回 List[Dict[str, Any]]，可直接传给 LLM 的 tools 参数

# 4. 构建请求并调用 LLM
messages_for_llm = [
    {"role": "system", "content": await manager.build_memory_context()},
    *new_turn,
    {"role": "user", "content": maintain_prompt},
]
response = await openai.chat.completions.create(
    model="doubao-seed-2.0-lite",
    messages=messages_for_llm,
    tools=maintain_tools,
)

# 5. 批量执行 LLM 返回的工具调用（自动分发到 save/organize 工具）
await manager.execute_maintain_tool_calls(response.choices[0].message.tool_calls)
# 参数: Optional[List[Dict[str, Any]]] — LLM response 中的 tool_calls 列表
# 每个 tool_call 格式: {"function": {"name": "...", "arguments": "<json_string>"}}
# 无法识别的工具名会被跳过并记录 warning，执行异常会被捕获并记录 error

两种模式可以同时使用：Agent 主动记重要信息 + 系统被动沉淀日常细节，形成完整的记忆体系。

记忆模型

ImpressMem 使用三级印象结构：

• Category（分类）：顶层分类，如 UserPreference、Finance、Health
• Label（标签）：具体属性标签，如 Color、Diet、Schedule
• Clue（线索）：最细粒度的记忆线索，如 USER-PREF-COLOR、DIANDIAN-FEEDING

每条印象包含：clue（唯一标识）、content（信息内容）、category、labels、pin（是否置顶）。记忆按时间衰减，置顶印象永久保留，系统自动合并冗余信息。

Configuration

ImpressMemConfig(
    bot_id: str,                    # Agent 名称，用作 Redis key 前缀
    redis_config: Dict[str, Any],     # Redis 连接配置
    categories_per_set: int = 500,    # 每轮上下文最大分类数
    labels_per_set: int = 1500,       # 每轮上下文最大标签数
    clues_per_set: int = 500,         # 每轮上下文最大线索数
    impression_text_units_per_set: int = 10000,  # 每轮上下文最大文本单元
    unpinned_emoji: str = "⚪",       # 非置顶印象标记
    pinned_emoji: str = "📌",         # 置顶印象标记
)

redis_config 接受传统参数字典：{"host": "localhost", "port": 6379, "db": 0, "password": "xxx"}

Core API

ImpressMemManager

manager = ImpressMemManager(config)

# 构建记忆上下文（用于 LLM system prompt）
memory_context = await manager.build_memory_context()

# 关闭连接
await manager.close()

Tools

三个工具类均提供两个方法：

• get_definition() → 返回 OpenAI function calling 格式的 JSON schema
• execute(json_args) → 执行操作，返回 (full_result, summary) 元组

Utility Functions

from impressmem import slice_new_turn_messages

# 从完整对话历史中切出最新一轮消息
# 用于渐进式记忆沉淀
sliced = slice_new_turn_messages(messages)

Examples

See the examples/ directory:

• context_example.py - 构建记忆上下文
• tools_example.py - 使用三个工具类

Contributing

Contributions welcome! Feel free to submit issues and pull requests.

License

MIT License