Skip to content

README.ar.md

Latest commit

 

History

History
324 lines (253 loc) · 11 KB

README.ar.md

File metadata and controls

324 lines (253 loc) · 11 KB

AgentMemory 🧠

Python License: MIT Status

AgentMemory هو إطار عمل متقدم لإدارة الذاكرة لوكلاء الذكاء الاصطناعي، يوفر قدرات ذاكرة دائمة وهرمية ودلالية. يعالج الفجوة الحرجة في تطوير الذكاء الاصطناعي الوكيل الحالي: إدارة قوية للذاكرة والسياق عبر جلسات الوكيل.

🚀 الميزات الرئيسية

🎯 أنواع ذاكرة متعددة

  • الذاكرة قصيرة المدى: مخزن FIFO مؤقت مع TTL للسياق الفوري
  • الذاكرة طويلة المدى: الاحتفاظ بالمعلومات القيمة بناءً على الأهمية
  • الذاكرة العرضية: التنظيم الزمني لتسلسل الأحداث
  • الذاكرة الدلالية: المعرفة القائمة على المفاهيم مع العلاقات
  • الذاكرة الإجرائية: المهارات والمعرفة التطبيقية مع تتبع التنفيذ

🔍 استرجاع متقدم

  • البحث الدلالي: البحث عن التشابه المتجه باستخدام التضمينات
  • استعلامات مفلترة: الاسترجاع حسب النوع، العلامات، الأهمية، أو البيانات الوصفية المخصصة
  • التنقل في العلاقات: تتبع ارتباطات وعلاقات الذاكرة
  • تسجيل التحلل الزمني: حساب الصلة التلقائي مع التحلل

💾 الثبات والتخزين

  • خلفيات متعددة: في الذاكرة، مخازن المتجهات (NumPy/FAISS)
  • حفظ/تحميل: تسلسل JSON لثبات الذاكرة
  • عمليات الدفعات: عمليات إضافة/حذف جماعية فعالة

🔄 إدارة الذاكرة

  • التوحيد التلقائي: الترقية التلقائية من قصيرة المدى إلى طويلة المدى
  • تسجيل الأهمية: عتبات أهمية قابلة للتكوين
  • ارتباطات الذاكرة: إنشاء علاقات بين الذكريات
  • تتبع الإحصائيات: مراقبة استخدام الذاكرة والأنماط

📦 التثبيت

pip install agentmemory

للتطوير:

git clone https://github.com/hanishkeloth/agentmemory.git
cd agentmemory
pip install -e ".[dev]"

🎓 البدء السريع

from agentmemory import MemoryManager

# تهيئة مدير الذاكرة
memory = MemoryManager()

# إضافة ذكريات
memory.add(
    "المستخدم يفضل Python لعلوم البيانات",
    memory_type="long_term",
    importance=0.9,
    tags=["preference", "python"]
)

# استرجاع الذكريات ذات الصلة
memories = memory.retrieve(
    query="ما لغة البرمجة التي يجب استخدامها؟",
    limit=5
)

# إنشاء ارتباطات
memory.create_association(memory1_id, memory2_id, "related_to")

# حفظ للثبات
memory.save("agent_memories.json")

💡 حالات الاستخدام

🤖 وكلاء الذكاء الاصطناعي للمحادثة

class ChatAgent:
    def __init__(self):
        self.memory = MemoryManager()
    
    def process(self, user_input):
        # تخزين المحادثة
        self.memory.add(
            user_input,
            memory_type="short_term",
            session_id=self.session_id
        )
        
        # استرجاع السياق
        context = self.memory.retrieve(user_input, limit=5)
        
        # توليد رد مع السياق
        response = self.generate_response(user_input, context)
        return response

📚 إدارة المعرفة

# تخزين الحقائق مع المفاهيم
memory.add(
    "تم إنشاء Python في عام 1991 بواسطة Guido van Rossum",
    memory_type="semantic",
    concepts=["python", "تاريخ", "برمجة"],
    importance=0.8
)

# الاستعلام حسب المفاهيم
python_facts = memory.retrieve(concepts=["python"], limit=10)

🔧 تعلم المهارات

# تخزين الإجراءات
memory.add(
    {"procedure": "النشر على AWS", "steps": [...]},
    memory_type="procedural",
    procedure_name="aws_deployment",
    skill_level=0.7
)

# تتبع نجاح التنفيذ
memory.update_execution(procedure_id, success=True)

🏗️ البنية

AgentMemory/
├── core/
│   ├── memory_manager.py    # المنسق المركزي
│   ├── memory_types.py      # تنفيذ أنواع الذاكرة
│   └── memory_entry.py      # هياكل بيانات الذاكرة
├── stores/
│   ├── base.py             # واجهة التخزين المجردة
│   └── vector.py           # مخازن تشابه المتجهات
├── retrievers/
│   ├── base.py             # واجهة المسترجع المجردة
│   └── semantic.py         # تنفيذ البحث الدلالي
└── utils/
    └── embeddings.py       # أدوات التضمين

🔬 الميزات المتقدمة

توحيد الذاكرة

# التوحيد التلقائي من قصيرة المدى إلى طويلة المدى
manager = MemoryManager(consolidation_threshold=10)

# التوحيد اليدوي
stats = manager.consolidate_memories()
print(f"تمت الترقية إلى طويلة المدى: {stats['promoted_to_long_term']}")

البيانات الوصفية المخصصة

memory.add(
    "حدث مهم",
    memory_type="episodic",
    custom_metadata={
        "location": "سان فرانسيسكو",
        "participants": ["أليس", "بوب"],
        "outcome": "ناجح"
    }
)

البحث المتجه مع التضمينات

from agentmemory.utils.embeddings import EmbeddingManager

embedder = EmbeddingManager()
embedding = embedder.encode_single("مفهوم التعلم الآلي")

memory.add(
    "الشبكات العصبية مستوحاة من الخلايا العصبية البيولوجية",
    memory_type="semantic",
    embedding=embedding
)

🤝 التكامل مع أطر العمل الشائعة

LangChain

from langchain.memory import ConversationBufferMemory
from agentmemory import MemoryManager

class AgentMemoryWrapper(ConversationBufferMemory):
    def __init__(self):
        super().__init__()
        self.agent_memory = MemoryManager()
    
    def save_context(self, inputs, outputs):
        super().save_context(inputs, outputs)
        self.agent_memory.add(
            {"input": inputs, "output": outputs},
            memory_type="episodic"
        )

AutoGen

from autogen import AssistantAgent
from agentmemory import MemoryManager

class MemoryAgent(AssistantAgent):
    def __init__(self, name, **kwargs):
        super().__init__(name, **kwargs)
        self.memory = MemoryManager()
    
    def receive(self, message, sender):
        # تخزين الرسالة في الذاكرة
        self.memory.add(
            message,
            memory_type="short_term",
            agent_id=sender.name
        )
        return super().receive(message, sender)

📊 اعتبارات الأداء

  • بُعد التضمين: الافتراضي 384 (all-MiniLM-L6-v2)، قابل للتعديل للأداء
  • حدود السعة: قابلة للتكوين لكل نوع ذاكرة لإدارة استخدام الموارد
  • عمليات الدفعات: استخدم طرق الدفعات للعمليات الجماعية
  • اختيار مخزن المتجهات: NumPy للنطاق الصغير، FAISS للإنتاج

🛠️ التطوير

تشغيل الاختبارات:

pytest tests/

تنسيق الكود:

black agentmemory/
ruff check agentmemory/

فحص النوع:

mypy agentmemory/

📈 المعايير

العملية 1K ذاكرة 10K ذاكرة 100K ذاكرة
إضافة 0.8ms 0.9ms 1.1ms
استرجاع 2.3ms 8.7ms 45ms
بحث 3.1ms 12ms 89ms

تم الاختبار على MacBook Pro M1، 16GB RAM

🗺️ خارطة الطريق

  • مخازن الذاكرة الموزعة (Redis، PostgreSQL)
  • علاقات الذاكرة القائمة على الرسم البياني
  • ضغط وتلخيص الذاكرة
  • مشاركة الذاكرة متعددة الوكلاء
  • إصدار الذاكرة والتراجع
  • استراتيجيات التوحيد المتقدمة
  • آليات انتباه الذاكرة
  • التكامل مع المزيد من أطر العمل

🤝 المساهمة

نرحب بالمساهمات! لا تتردد في تقديم طلب سحب.

  1. انسخ المستودع
  2. أنشئ فرع الميزة (git checkout -b feature/amazing-feature)
  3. قم بالتزام تغييراتك (git commit -m 'Add amazing feature')
  4. ادفع إلى الفرع (git push origin feature/amazing-feature)
  5. افتح طلب سحب

📄 الترخيص

هذا المشروع مرخص بموجب ترخيص MIT - انظر ملف LICENSE للتفاصيل.

👨‍💻 المؤلف

Hanish Keloth

🙏 شكر وتقدير

  • مستوحى من البنى المعرفية وأنظمة الذاكرة البشرية
  • بُني لمعالجة الفجوات المحددة في أطر الذكاء الاصطناعي الوكيل الحالية
  • شكراً لمجتمع الذكاء الاصطناعي مفتوح المصدر للابتكار المستمر

📚 الاستشهاد

إذا استخدمت AgentMemory في بحثك أو مشاريعك، يرجى الاستشهاد:

@software{agentmemory2025,
  author = {Keloth, Hanish},
  title = {AgentMemory: إدارة ذاكرة متقدمة لوكلاء الذكاء الاصطناعي},
  year = {2025},
  url = {https://github.com/hanishkeloth/agentmemory}
}

🔗 الروابط

ملاحظة: هذا المشروع في مرحلة بيتا. قد تتغير واجهات برمجة التطبيقات في الإصدارات المستقبلية. يرجى الإبلاغ عن أي مشاكل أو اقتراحات!