检索

功能总览

memory 模块提供了一套先进的、以任务为中心的长期记忆系统。

其核心目标是让代理能够从经验中学习、避免重复错误并持续提升任务完成能力。

核心功能

• 记忆存储与检索

  • 核心单元: 记忆以Memo对象的形式存在，每个Memo包含一个insight（帮助完成任务的见解、技巧或信息）和一个可选的关联task。
  • 向量化存储: 使用PostgreSQL配合pgvector扩展作为底层向量数据库。当存储一个Memo时，模块会使用LLM（在_prompter.py中）为insight或task生成多个"主题"（topics），并将这些主题的向量表示（Embeddings）存入数据库，映射到对应的Memo。
  • 智能检索: 当代理接到新任务时，模块首先泛化任务描述，然后为泛化后的任务生成查询主题，通过向量相似度从数据库中检索出候选Memo。

• 多阶段LLM过滤与验证

  • 这是一个关键特性，确保了检索到的记忆高度相关。
  • 任务泛化: 在检索前，使用LLM（prompter.generalize_task）去除任务描述中的无关细节，抓住任务核心。
  • 记忆验证: 检索到候选Memo后，再次调用LLM（prompter.validate_insight），判断每个insight对于当前特定任务是否真的有帮助，从而过滤掉不相关的记忆。

模块

• 分层结构：系统从上到下分为应用层、集成层、核心控制层、语言模型交互层和记忆存储层。这种分层设计确保了各部分的职责清晰，实现了高内聚、低耦合。工具与评估层则为核心控制层提供支持。

• 核心流程：

  1. 任务接收：一切始于应用层的用户向代理发起任务。
  2. 记忆调用：代理通过Teachability适配器与MemoryController（总控制器）交互。
  3. 智能处理：MemoryController是系统的大脑，它协调Prompter（用于LLM调用）、MemoryBank（用于记忆存取）和Grader（用于答案评估）来智能地处理任务、检索记忆或从失败中学习。
  4. 结果反馈：处理完成后，相关的记忆或洞察（Insights）会通过Teachability适配器返回，增强代理的上下文，帮助其更出色地完成任务。