mem1 0.0.6

基于云服务的用户记忆系统

mem1 - 用户记忆系统

让 AI 真正"记住"用户：三层记忆架构 + 图片记忆 + 话题隔离 + 业务场景解耦。

核心特性

• 三层记忆架构：短期会话 → 用户画像 → 长期记录
• 话题隔离：同一用户可有多个话题，对话按话题隔离，画像跨话题共享
• 图片记忆：存储图片时自动调用 VL 模型生成描述（OCR + 内容理解），搜索时基于文字描述召回
• 业务解耦：通过 ProfileTemplate 适配不同场景
• 画像自动更新：基于对话轮数/时间自动触发 LLM 更新用户画像

安装

pip install mem1

快速开始

from mem1 import Mem1Memory, Mem1Config

# 从环境变量加载配置
config = Mem1Config.from_env()

# 创建记忆实例（绑定用户和话题）
memory = Mem1Memory(config, user_id="user001", topic_id="project_a")

# 添加对话
memory.add_conversation(
    messages=[
        {"role": "user", "content": "你好，我是张明"},
        {"role": "assistant", "content": "你好张明！"}
    ]
)

# 获取上下文（含用户画像 + 最近对话）
ctx = memory.get_context()
print(ctx['import_content'])   # 用户画像
print(ctx['normal_content'])   # 最近对话记录
print(ctx['current_time'])     # 当前时间

环境变量配置

# LLM 配置
MEM1_LLM_API_KEY=your-api-key
MEM1_LLM_BASE_URL=https://api.deepseek.com
MEM1_LLM_MODEL=deepseek-chat

# ES 配置
MEM1_ES_HOSTS=http://localhost:9200
MEM1_ES_INDEX=conversation_history

# 记忆配置
MEM1_MEMORY_DIR=./memories
MEM1_AUTO_UPDATE_PROFILE=true
MEM1_MAX_PROFILE_CHARS=3000
MEM1_UPDATE_INTERVAL_ROUNDS=5
MEM1_UPDATE_INTERVAL_MINUTES=3
MEM1_SAVE_ASSISTANT_MESSAGES=true
MEM1_MAX_ASSISTANT_CHARS=500
MEM1_CONTEXT_DAYS_LIMIT=31

# VL 视觉模型（可选，配置 MODEL 即启用，使用 dashscope SDK）
MEM1_VL_MODEL=qwen-vl-max
MEM1_VL_API_KEY=your-dashscope-key

图片记忆

实现机制

1. 存储阶段：add_conversation() 遇到图片时自动调用 VL 模型（如 Qwen-VL）
2. VL 处理：生成包含三部分的描述文本
   • 【用户描述】用户发送图片时的文字说明
   • 【文字内容】OCR 识别图片中的文字
   • 【图片描述】VL 模型对图片内容的理解
3. 数据存储：图片信息存入 ES 对话记录的 images 字段，图片文件存本地
4. 搜索召回：search_images() 基于描述文本进行关键词匹配，返回图片路径

ES 数据结构

{
  "user_id": "user001",
  "topic_id": "default",
  "timestamp": "2026-01-06 16:46:03",
  "messages": [
    {"role": "user", "content": "...", "image_refs": ["20260106_164603_report.png"]}
  ],
  "images": [
    {
      "filename": "20260106_164603_report.png",
      "description": "【用户描述】...\n\n【文字内容】...\n\n【图片描述】...",
      "timestamp": "2026-01-06 16:46:16",
      "original_name": "report.png"
    }
  ]
}

使用示例

# 添加带图片的对话
memory.add_conversation(
    messages=[{"role": "user", "content": "这是今天的报表"}],
    images=[{"path": "./report.png", "filename": "report.png"}]
)

# 搜索图片（基于 VL 生成的描述）
results = memory.search_images(query="报表")
# 返回: [{"filename": "...", "description": "...", "abs_path": "..."}]

核心接口

memory = Mem1Memory(config, user_id="user001", topic_id="project_a")

# 添加对话
memory.add_conversation(messages=[...], images=[...], metadata={...})

# 获取上下文（画像 + 最近 N 天对话）
ctx = memory.get_context(days_limit=31)

# 查询对话
convs = memory.get_conversations(days_limit=7)
all_convs = memory.get_all_conversations(days_limit=7)

# 图片搜索
results = memory.search_images(query="麻花")

# 话题管理
topics = memory.list_topics()
memory.delete_topic()
memory.delete_user()

ES 索引

索引	用途
conversation_history	对话记录（含图片索引）
mem1_user_state	用户状态
mem1_user_profile	用户画像

LLM 提示词建议

使用 get_context() 获取上下文后，建议在 system prompt 中加入以下规则，避免 LLM 编造信息：

## 重要规则
1. 回答必须基于上述对话记录中的实际内容，严禁编造任何信息
2. 涉及数字（金额、数量、百分比、日期等）时，必须从对话记录中原样提取，不得估算或编造
3. 需要汇总累加时，必须列出计算过程（如：23+31+18+25=97）
4. 涉及人名、公司名、账号名等实体时，必须使用对话中的原始名称
5. 如果对话记录中没有相关信息，请明确说"对话记录中未提及"，不要猜测

License

MIT