Memgraph-agent：为AI代理提供基于图的记忆，零成本使用LLM
Memgraph-agent：为AI代理提供基于图的记忆，零成本使用LLM作者：James Bentley
来源：Github.com
引用：https://github.com/yangyihe0305-droid/memgraph-agent
MemGraph为AI代理提供了一种基于图的记忆系统，它能够通过连接而非关键词来思考。这种系统在构建图时无需使用LLM令牌，仅使用CPU，并且在检索速度上比纯向量搜索快28%。
✨ 为什么选择MemGraph？
传统的AI记忆系统将文本存储为向量并按相似度检索，就像通过书封面颜色在图书馆中搜索书籍。MemGraph则从代理的记忆中构建知识图谱，使其能够跨连接进行推理：
查询："BTC交易策略"
- 纯向量搜索：MemGraph（图+向量）：
1. "BTC下跌..."
1. "BTC下跌..."（向量匹配）
2. "比特币价格..."
2. RSI → BTC（图：在止损上下文中共同出现）
3. "加密市场..."
3. ATR → BTC → EMA（图：两跳，动态止损）
4. Freqtrade → BTC（图：交易机器人框架）
5. "BTC策略回顾..."（向量匹配）
🏗️ 架构
MemGraph的架构包括以下几个部分：
- 输入：从记忆文件中提取数据。
- 实体提取：使用spaCy NER、自定义字典和正则表达式进行实体提取。
- 双重存储：将实体存储在知识图谱（NetworkX DiGraph）和向量存储（ChromaDB + MiniLM）中。
- 检索：通过个性化PageRank和向量相似性进行检索。
- 分析：使用社区检测和交互式可视化进行分析。
📊 对比
MemGraph与纯向量搜索、GraphRAG（微软）和Mem0在多个方面进行了比较，包括向量相似性、知识图谱、多跳检索、LLM成本、GPU需求、社区检测和路径解释等。
🚀 快速入门
使用pip安装所需的库，然后创建一个MemGraph实例并使用它来检索信息。
🔧 CLI
MemGraph提供了命令行界面，可以用于构建图、搜索、查看图统计信息、交互式可视化、导出GraphML、检测实体社区和从文本中提取实体。
🧬 工作原理
MemGraph的工作原理包括实体提取、共现图、个性化PageRank检索和混合融合。
📚 研究背景
MemGraph受到了多项关键论文的启发，包括SPRIG、GraphRAG、Mem0和HumanMCP。
🗺️ 路线图
MemGraph的未来发展包括NER实体提取、共现知识图谱、个性化PageRank检索、混合搜索、社区检测、交互式可视化、GraphML导出、时间衰减、增量更新、实体合并、LLM增强摘要、多语言NER、Neo4j后端和REST API。
🤝 贡献
MemGraph欢迎贡献！可以通过克隆仓库、创建功能分支、提交更改和打开拉取请求来贡献。
⚙️ 配置
MemGraph可以通过配置文件进行配置，包括工作区、α值、PageRank阻尼因子、最大跳数、共现窗口、自定义实体和实体别名。
📄 许可证
MemGraph采用MIT许可证。
⭐ 星历史
如果这个项目帮助你的AI代理更好地记忆，请给它一个星！
页:
[1]