Skip to content

README.de.md

Latest commit

 

History

History
320 lines (251 loc) · 9.35 KB

README.de.md

File metadata and controls

320 lines (251 loc) · 9.35 KB

AgentMemory 🧠

Python License: MIT Status

AgentMemory ist ein fortschrittliches Speicherverwaltungs-Framework für KI-Agenten, das persistente, hierarchische und semantische Speicherfähigkeiten bietet. Es behebt die kritische Lücke in der aktuellen agentischen KI-Entwicklung: robustes Speicher- und Kontextmanagement über Agentensitzungen hinweg.

🚀 Hauptmerkmale

🎯 Mehrere Speichertypen

  • Kurzzeitgedächtnis: FIFO-Puffer mit TTL für unmittelbaren Kontext
  • Langzeitgedächtnis: Wichtigkeitsbasierte Aufbewahrung für wertvolle Informationen
  • Episodisches Gedächtnis: Zeitliche Organisation von Ereignissequenzen
  • Semantisches Gedächtnis: Konzeptbasiertes Wissen mit Beziehungen
  • Prozedurales Gedächtnis: Fähigkeiten und Anleitungswissen mit Ausführungsverfolgung

🔍 Erweiterte Abfrage

  • Semantische Suche: Vektor-Ähnlichkeitssuche mit Einbettungen
  • Gefilterte Abfragen: Abruf nach Typ, Tags, Wichtigkeit oder benutzerdefinierten Metadaten
  • Beziehungsnavigation: Verfolgung von Speicherassoziationen und -beziehungen
  • Zeit-Zerfalls-Bewertung: Automatische Relevanzberechnung mit Zerfall

💾 Persistenz & Speicherung

  • Mehrere Backends: In-Memory, Vektorspeicher (NumPy/FAISS)
  • Speichern/Laden: JSON-Serialisierung für Speicherpersistenz
  • Batch-Operationen: Effiziente Massen-Hinzufüge-/Löschoperationen

🔄 Speicherverwaltung

  • Auto-Konsolidierung: Automatische Beförderung von Kurzzeit- zu Langzeitgedächtnis
  • Wichtigkeitsbewertung: Konfigurierbare Wichtigkeitsschwellen
  • Speicherassoziationen: Beziehungen zwischen Erinnerungen erstellen
  • Statistikverfolgung: Überwachung von Speichernutzung und -mustern

📦 Installation

pip install agentmemory

Für die Entwicklung:

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

🎓 Schnellstart

from agentmemory import MemoryManager

# Speichermanager initialisieren
memory = MemoryManager()

# Erinnerungen hinzufügen
memory.add(
    "Benutzer bevorzugt Python für Data Science",
    memory_type="long_term",
    importance=0.9,
    tags=["preference", "python"]
)

# Relevante Erinnerungen abrufen
memories = memory.retrieve(
    query="Welche Programmiersprache verwenden?",
    limit=5
)

# Assoziationen erstellen
memory.create_association(memory1_id, memory2_id, "related_to")

# Für Persistenz speichern
memory.save("agent_memories.json")

💡 Anwendungsfälle

🤖 Konversations-KI-Agenten

class ChatAgent:
    def __init__(self):
        self.memory = MemoryManager()
    
    def process(self, user_input):
        # Konversation speichern
        self.memory.add(
            user_input,
            memory_type="short_term",
            session_id=self.session_id
        )
        
        # Kontext abrufen
        context = self.memory.retrieve(user_input, limit=5)
        
        # Antwort mit Kontext generieren
        response = self.generate_response(user_input, context)
        return response

📚 Wissensmanagement

# Fakten mit Konzepten speichern
memory.add(
    "Python wurde 1991 von Guido van Rossum erstellt",
    memory_type="semantic",
    concepts=["python", "geschichte", "programmierung"],
    importance=0.8
)

# Abfrage nach Konzepten
python_facts = memory.retrieve(concepts=["python"], limit=10)

🔧 Fertigkeitserlernung

# Prozeduren speichern
memory.add(
    {"procedure": "AWS-Bereitstellung", "steps": [...]},
    memory_type="procedural",
    procedure_name="aws_deployment",
    skill_level=0.7
)

# Ausführungserfolg verfolgen
memory.update_execution(procedure_id, success=True)

🏗️ Architektur

AgentMemory/
├── core/
│   ├── memory_manager.py    # Zentraler Orchestrator
│   ├── memory_types.py      # Speichertyp-Implementierungen
│   └── memory_entry.py      # Speicher-Datenstrukturen
├── stores/
│   ├── base.py             # Abstrakte Store-Schnittstelle
│   └── vector.py           # Vektor-Ähnlichkeitsspeicher
├── retrievers/
│   ├── base.py             # Abstrakte Retriever-Schnittstelle
│   └── semantic.py         # Semantische Suchimplementierung
└── utils/
    └── embeddings.py       # Einbettungs-Utilities

🔬 Erweiterte Funktionen

Speicherkonsolidierung

# Automatische Konsolidierung von Kurzzeit- zu Langzeitgedächtnis
manager = MemoryManager(consolidation_threshold=10)

# Manuelle Konsolidierung
stats = manager.consolidate_memories()
print(f"Zu Langzeitgedächtnis befördert: {stats['promoted_to_long_term']}")

Benutzerdefinierte Metadaten

memory.add(
    "Wichtiges Ereignis",
    memory_type="episodic",
    custom_metadata={
        "location": "San Francisco",
        "participants": ["Alice", "Bob"],
        "outcome": "erfolgreich"
    }
)

Vektorsuche mit Einbettungen

from agentmemory.utils.embeddings import EmbeddingManager

embedder = EmbeddingManager()
embedding = embedder.encode_single("Machine Learning Konzept")

memory.add(
    "Neuronale Netze sind von biologischen Neuronen inspiriert",
    memory_type="semantic",
    embedding=embedding
)

🤝 Integration mit beliebten Frameworks

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):
        # Nachricht im Speicher speichern
        self.memory.add(
            message,
            memory_type="short_term",
            agent_id=sender.name
        )
        return super().receive(message, sender)

📊 Leistungsüberlegungen

  • Einbettungsdimension: Standard 384 (all-MiniLM-L6-v2), anpassbar für Leistung
  • Kapazitätsgrenzen: Konfigurierbar pro Speichertyp zur Verwaltung der Ressourcennutzung
  • Batch-Operationen: Verwenden Sie Batch-Methoden für Massenoperationen
  • Vektorspeicher-Wahl: NumPy für kleine Maßstäbe, FAISS für Produktion

🛠️ Entwicklung

Tests ausführen:

pytest tests/

Code formatieren:

black agentmemory/
ruff check agentmemory/

Typprüfung:

mypy agentmemory/

📈 Benchmarks

Operation 1K Speicher 10K Speicher 100K Speicher
Hinzufügen 0.8ms 0.9ms 1.1ms
Abrufen 2.3ms 8.7ms 45ms
Suchen 3.1ms 12ms 89ms

Getestet auf MacBook Pro M1, 16GB RAM

🗺️ Roadmap

  • Verteilte Speicherspeicher (Redis, PostgreSQL)
  • Graphbasierte Speicherbeziehungen
  • Speicherkomprimierung und Zusammenfassung
  • Multi-Agenten-Speicherfreigabe
  • Speicherversionierung und Rollback
  • Erweiterte Konsolidierungsstrategien
  • Speicher-Aufmerksamkeitsmechanismen
  • Integration mit mehr Frameworks

🤝 Beitragen

Beiträge sind willkommen! Bitte zögern Sie nicht, einen Pull Request einzureichen.

  1. Repository forken
  2. Feature-Branch erstellen (git checkout -b feature/amazing-feature)
  3. Änderungen committen (git commit -m 'Add amazing feature')
  4. Zum Branch pushen (git push origin feature/amazing-feature)
  5. Pull Request öffnen

📄 Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert - siehe LICENSE Datei für Details.

👨‍💻 Autor

Hanish Keloth

🙏 Danksagungen

  • Inspiriert von kognitiven Architekturen und menschlichen Gedächtnissystemen
  • Entwickelt zur Behebung von Lücken in aktuellen agentischen KI-Frameworks
  • Dank an die Open-Source-KI-Community für kontinuierliche Innovation

📚 Zitierung

Wenn Sie AgentMemory in Ihrer Forschung oder Ihren Projekten verwenden, zitieren Sie bitte:

@software{agentmemory2025,
  author = {Keloth, Hanish},
  title = {AgentMemory: Erweiterte Speicherverwaltung für KI-Agenten},
  year = {2025},
  url = {https://github.com/hanishkeloth/agentmemory}
}

🔗 Links

Hinweis: Dieses Projekt befindet sich in der Beta-Phase. APIs können sich in zukünftigen Versionen ändern. Bitte melden Sie Probleme oder Vorschläge!