[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-caspianmoon--memoripy":3,"tool-caspianmoon--memoripy":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":32,"env_os":88,"env_gpu":89,"env_ram":88,"env_deps":90,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":144},9839,"caspianmoon\u002Fmemoripy","memoripy","An AI memory layer with short- and long-term storage, semantic clustering, and optional memory decay for context-aware applications.","Memoripy 是一款专为构建“有记忆”的 AI 应用而设计的 Python 库。它通过模拟人类的短期与长期记忆机制，解决了大语言模型在长对话中容易遗忘上下文、缺乏连贯性的痛点，让 AI 能够基于过往互动做出更智能的反应。\n\n这款工具非常适合需要开发具备持续对话能力应用的开发者，尤其是那些希望在不依赖庞大向量数据库的前提下，为聊天机器人或智能助手添加个性化记忆功能的技术人员。\n\nMemoripy 的核心亮点在于其独特的记忆管理策略：它不仅支持基于语义聚类的层级化存储，还引入了“记忆衰减”与“强化”机制——即不常用的记忆会随时间淡化，而高频互动的内容会被加强，从而动态优化检索效率。此外，它利用图结构建立概念关联，通过扩散激活算法精准召回相关信息。在兼容性方面，Memoripy 灵活支持 OpenAI、Azure、Ollama 等多种主流模型接口，并提供 JSON 文件或内存等多种存储选项，帮助开发者轻松实现上下文感知的智能交互系统。","# Memoripy\n\n**Memoripy** is a Python library designed to manage and retrieve context-aware memory interactions using both short-term and long-term storage. It supports AI-driven applications requiring memory management, with compatibility for OpenAI, Azure OpenAI, OpenRouter and Ollama APIs. Features include contextual memory retrieval, memory decay and reinforcement, hierarchical clustering, and graph-based associations.\n\n## Features\n\n- **Short-term and Long-term Memory**: Manages memory as short-term or long-term based on usage and relevance.\n\n- **Contextual Retrieval**: Retrieves memories based on embeddings, concepts, and past interactions.\n\n- **Concept Extraction and Embeddings**: Uses OpenAI or Ollama models for concept extraction and embedding generation.\n\n- **Graph-Based Associations**: Builds a concept graph and uses spreading activation for relevance-based retrieval.\n\n- **Hierarchical Clustering**: Clusters similar memories into semantic groups to aid in contextually relevant retrieval.\n\n- **Decay and Reinforcement**: Older memories decay over time, while frequently accessed memories are reinforced.\n\n## Installation\n\nYou can install Memoripy with pip:\n\n```bash\npip install memoripy\n```\n\n## Usage\nThe following example demonstrates how to set up and use Memoripy in a Python script.\n\n### Example: `example.py`\nThis example script shows the primary functionality of Memoripy, including initialization, storing interactions, retrieving relevant memories, and generating responses.\n\n```\nfrom memoripy import MemoryManager, JSONStorage\nfrom memoripy.implemented_models import OpenAIChatModel, OllamaEmbeddingModel\n\ndef main():\n    # Replace 'your-api-key' with your actual OpenAI API key\n    api_key = \"your-key\"\n    if not api_key:\n        raise ValueError(\"Please set your OpenAI API key.\")\n\n    # Define chat and embedding models\n    chat_model_name = \"gpt-4o-mini\"  # Specific chat model name\n    embedding_model_name = \"mxbai-embed-large\"  # Specific embedding model name\n\n    # Choose your storage option\n    storage_option = JSONStorage(\"interaction_history.json\")\n    # Or use in-memory storage:\n    # from memoripy import InMemoryStorage\n    # storage_option = InMemoryStorage()\n\n    # Initialize the MemoryManager with the selected models and storage\n    memory_manager = MemoryManager(\n        OpenAIChatModel(api_key, chat_model_name),\n        OllamaEmbeddingModel(embedding_model_name),\n        storage=storage_option\n    )\n\n    # New user prompt\n    new_prompt = \"My name is Khazar\"\n\n    # Load the last 5 interactions from history (for context)\n    short_term, _ = memory_manager.load_history()\n    last_interactions = short_term[-5:] if len(short_term) >= 5 else short_term\n\n    # Retrieve relevant past interactions, excluding the last 5\n    relevant_interactions = memory_manager.retrieve_relevant_interactions(new_prompt, exclude_last_n=5)\n\n    # Generate a response using the last interactions and retrieved interactions\n    response = memory_manager.generate_response(new_prompt, last_interactions, relevant_interactions)\n\n    # Display the response\n    print(f\"Generated response:\\n{response}\")\n\n    # Extract concepts for the new interaction\n    combined_text = f\"{new_prompt} {response}\"\n    concepts = memory_manager.extract_concepts(combined_text)\n\n    # Store this new interaction along with its embedding and concepts\n    new_embedding = memory_manager.get_embedding(combined_text)\n    memory_manager.add_interaction(new_prompt, response, new_embedding, concepts)\n\nif __name__ == \"__main__\":\n    main()\n\n```\n## Classes and Modules\n- `MemoryManager`: Manages memory interactions, retrieves relevant information, and generates responses based on past interactions.\n\n- `MemoryStore`: Stores and organizes interactions in short-term and long-term memory, with support for clustering and retrieval based on relevance.\n\n- `InMemoryStorage` and `JSONStorage`: Store memory in either in-memory data structures or JSON files.\n\n- `BaseStorage`: Abstract base class for defining storage methods.\n\n##Core Functionalities\n1. **Initialize Memory**: Load previous interactions from the chosen storage and initialize memory.\n\n2. **Add Interaction**: Store a new interaction with its embedding, concepts, prompt, and output.\n\n3. **Retrieve Relevant Interactions**: Search past interactions based on a query using cosine similarity, decay factors, and spreading activation.\n\n4. **Generate Response**: Combine the current prompt and retrieved interactions to generate a contextually relevant response.\n\n5. **Decay and Reinforcement**: Increase decay on unused memories and reinforce frequently accessed memories.\n\n## Requirements\nMemoripy relies on several dependencies, including:\n\n- `openai`\n\n- `faiss-cpu`\n\n- `numpy`\n\n- `networkx`\n\n- `scikit-learn`\n\n- `langchain`\n\n- `ollama`\n\nThese dependencies will be installed automatically with pip install memoripy.\n\n## License\nMemoripy is licensed under the Apache 2.0 License.\n\n## Contributing\nContributions are welcome! Feel free to open issues or submit pull requests for improvements.\n\n## Contributors\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcaspianmoon\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_85c18385e373.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFrancescoCaracciolo\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_6e87d8d1d32a.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsjwang05\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_622a6cf32284.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvirtualramblas\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_637423d7550f.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frobonxt-ai\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_e472225bc8c0.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fshiro-sata\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_2ad68df11106.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\n\n\n","# Memoripy\n\n**Memoripy** 是一个 Python 库，旨在使用短期和长期存储来管理和检索上下文感知的记忆交互。它支持需要记忆管理的 AI 驱动应用，并兼容 OpenAI、Azure OpenAI、OpenRouter 和 Ollama API。其功能包括上下文记忆检索、记忆衰减与强化、层次聚类以及基于图的关联。\n\n## 特性\n\n- **短期与长期记忆**：根据使用情况和相关性将记忆分为短期或长期。\n  \n- **上下文检索**：基于嵌入、概念和过往交互检索记忆。\n\n- **概念提取与嵌入**：使用 OpenAI 或 Ollama 模型进行概念提取和嵌入生成。\n\n- **基于图的关联**：构建概念图，并利用扩散激活机制进行相关性检索。\n\n- **层次聚类**：将相似的记忆聚类为语义组，以帮助进行上下文相关的检索。\n\n- **衰减与强化**：较旧的记忆会随时间衰减，而频繁访问的记忆则会被强化。\n\n## 安装\n\n您可以通过 pip 安装 Memoripy：\n\n```bash\npip install memoripy\n```\n\n## 使用方法\n以下示例展示了如何在 Python 脚本中设置和使用 Memoripy。\n\n### 示例：`example.py`\n此示例脚本展示了 Memoripy 的主要功能，包括初始化、存储交互、检索相关记忆以及生成响应。\n\n```\nfrom memoripy import MemoryManager, JSONStorage\nfrom memoripy.implemented_models import OpenAIChatModel, OllamaEmbeddingModel\n\ndef main():\n    # 将 'your-api-key' 替换为您的实际 OpenAI API 密钥\n    api_key = \"your-key\"\n    if not api_key:\n        raise ValueError(\"请设置您的 OpenAI API 密钥。\")\n\n    # 定义聊天和嵌入模型\n    chat_model_name = \"gpt-4o-mini\"  # 具体聊天模型名称\n    embedding_model_name = \"mxbai-embed-large\"  # 具体嵌入模型名称\n\n    # 选择存储方式\n    storage_option = JSONStorage(\"interaction_history.json\")\n    # 或者使用内存存储：\n    # from memoripy import InMemoryStorage\n    # storage_option = InMemoryStorage()\n\n    # 使用选定的模型和存储初始化 MemoryManager\n    memory_manager = MemoryManager(\n        OpenAIChatModel(api_key, chat_model_name),\n        OllamaEmbeddingModel(embedding_model_name),\n        storage=storage_option\n    )\n\n    # 新的用户提示\n    new_prompt = \"我的名字是哈扎尔\"\n\n    # 加载历史中的最后 5 条交互（用于上下文）\n    short_term, _ = memory_manager.load_history()\n    last_interactions = short_term[-5:] if len(short_term) >= 5 else short_term\n\n    # 检索相关的过往交互，排除最后 5 条\n    relevant_interactions = memory_manager.retrieve_relevant_interactions(new_prompt, exclude_last_n=5)\n\n    # 使用最后的交互和检索到的交互生成响应\n    response = memory_manager.generate_response(new_prompt, last_interactions, relevant_interactions)\n\n    # 显示响应\n    print(f\"生成的响应：\\n{response}\")\n\n    # 提取新交互的概念\n    combined_text = f\"{new_prompt} {response}\"\n    concepts = memory_manager.extract_concepts(combined_text)\n\n    # 存储此次新交互及其嵌入和概念\n    new_embedding = memory_manager.get_embedding(combined_text)\n    memory_manager.add_interaction(new_prompt, response, new_embedding, concepts)\n\nif __name__ == \"__main__\":\n    main()\n\n```\n## 类与模块\n- `MemoryManager`：管理记忆交互，检索相关信息，并根据过往交互生成响应。\n  \n- `MemoryStore`：存储并组织短期和长期记忆中的交互，支持基于相关性的聚类和检索。\n\n- `InMemoryStorage` 和 `JSONStorage`：分别将记忆存储在内存数据结构或 JSON 文件中。\n\n- `BaseStorage`：定义存储方法的抽象基类。\n\n## 核心功能\n1. **初始化记忆**：从所选存储加载之前的交互并初始化记忆。\n\n2. **添加交互**：存储新的交互及其嵌入、概念、提示和输出。\n\n3. **检索相关交互**：使用余弦相似度、衰减因子和扩散激活机制，根据查询搜索过往交互。\n\n4. **生成响应**：结合当前提示和检索到的交互，生成上下文相关的响应。\n\n5. **衰减与强化**：对未使用的记忆增加衰减，对频繁访问的记忆进行强化。\n\n## 依赖项\nMemoripy 依赖于多个库，包括：\n\n- `openai`\n\n- `faiss-cpu`\n\n- `numpy`\n\n- `networkx`\n\n- `scikit-learn`\n\n- `langchain`\n\n- `ollama`\n\n这些依赖项将在您运行 `pip install memoripy` 时自动安装。\n\n## 许可证\nMemoripy 采用 Apache 2.0 许可证授权。\n\n## 贡献\n欢迎贡献！您可以随时提出问题或提交拉取请求以改进项目。\n\n## 贡献者\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcaspianmoon\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_85c18385e373.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFrancescoCaracciolo\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_6e87d8d1d32a.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsjwang05\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_622a6cf32284.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvirtualramblas\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_637423d7550f.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frobonxt-ai\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_e472225bc8c0.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fshiro-sata\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_readme_2ad68df11106.png\" width=\"60px\" style=\"border-radius: 50%;\" \u002F>\u003C\u002Fa>","# Memoripy 快速上手指南\n\nMemoripy 是一个专为 AI 应用设计的 Python 库，用于管理具备上下文感知能力的短期与长期记忆。它支持记忆衰减、强化、层级聚类及基于图的关联检索，兼容 OpenAI、Azure、OpenRouter 和 Ollama 等主流模型接口。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.8 及以上\n*   **API Key**：\n    *   若使用 OpenAI 模型，需准备有效的 `OPENAI_API_KEY`。\n    *   若使用 Ollama 进行本地嵌入或对话，需确保本地已安装并运行 Ollama 服务，且拉取了相应模型（如 `mxbai-embed-large`）。\n\n> **国内加速建议**：\n> 1. **PyPI 源**：建议使用清华或阿里云镜像源加速依赖安装。\n> 2. **Ollama 模型**：国内用户可通过配置环境变量或使用国内镜像站加速模型下载。\n> 3. **OpenAI 接口**：如需访问 OpenAI API，请确保网络环境通畅或使用合法的代理\u002F中转服务。\n\n## 安装步骤\n\n使用 pip 安装 Memoripy 及其所有依赖项。\n\n**使用官方源安装：**\n```bash\npip install memoripy\n```\n\n**推荐使用国内镜像源加速安装（以清华源为例）：**\n```bash\npip install memoripy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n安装完成后，系统将自动包含 `openai`, `faiss-cpu`, `numpy`, `networkx`, `scikit-learn`, `langchain`, `ollama` 等核心依赖。\n\n## 基本使用\n\n以下示例展示了如何初始化记忆管理器、加载历史上下文、检索相关记忆并生成响应。\n\n### 示例代码 (`example.py`)\n\n请根据您的实际环境替换 API Key 和模型名称。\n\n```python\nfrom memoripy import MemoryManager, JSONStorage\nfrom memoripy.implemented_models import OpenAIChatModel, OllamaEmbeddingModel\n\ndef main():\n    # 替换为您的实际 OpenAI API Key\n    api_key = \"your-key\"\n    if not api_key:\n        raise ValueError(\"Please set your OpenAI API key.\")\n\n    # 定义聊天模型和嵌入模型\n    chat_model_name = \"gpt-4o-mini\"       # 具体的聊天模型名称\n    embedding_model_name = \"mxbai-embed-large\"  # 具体的嵌入模型名称 (需确保本地 Ollama 已拉取此模型)\n\n    # 选择存储方式：这里使用 JSON 文件持久化存储\n    storage_option = JSONStorage(\"interaction_history.json\")\n    # 或者使用内存存储 (重启后数据丢失):\n    # from memoripy import InMemoryStorage\n    # storage_option = InMemoryStorage()\n\n    # 初始化 MemoryManager，传入模型实例和存储选项\n    memory_manager = MemoryManager(\n        OpenAIChatModel(api_key, chat_model_name),\n        OllamaEmbeddingModel(embedding_model_name),\n        storage=storage_option\n    )\n\n    # 新的用户提示\n    new_prompt = \"My name is Khazar\"\n\n    # 加载最近的 5 条交互作为短期上下文\n    short_term, _ = memory_manager.load_history()\n    last_interactions = short_term[-5:] if len(short_term) >= 5 else short_term\n\n    # 检索与当前提示相关的过往交互 (排除最近 5 条以避免重复)\n    relevant_interactions = memory_manager.retrieve_relevant_interactions(new_prompt, exclude_last_n=5)\n\n    # 结合近期上下文和检索到的相关记忆生成回复\n    response = memory_manager.generate_response(new_prompt, last_interactions, relevant_interactions)\n\n    # 输出生成的回复\n    print(f\"Generated response:\\n{response}\")\n\n    # 提取新概念并计算嵌入向量\n    combined_text = f\"{new_prompt} {response}\"\n    concepts = memory_manager.extract_concepts(combined_text)\n    new_embedding = memory_manager.get_embedding(combined_text)\n\n    # 将本次交互存入记忆库\n    memory_manager.add_interaction(new_prompt, response, new_embedding, concepts)\n\nif __name__ == \"__main__\":\n    main()\n```\n\n### 核心流程说明\n\n1.  **初始化**：创建 `MemoryManager` 实例，配置聊天模型（如 GPT-4）、嵌入模型（如 Ollama）及存储后端。\n2.  **上下文加载**：通过 `load_history()` 获取最近的短期记忆。\n3.  **智能检索**：利用 `retrieve_relevant_interactions()` 基于语义相似度、记忆衰减机制和图扩散激活算法查找长期记忆。\n4.  **生成与存储**：调用 `generate_response()` 生成回答，随后使用 `add_interaction()` 将新对话及其概念向量存入数据库，自动触发记忆强化或衰减逻辑。","一位开发者正在构建一个能够陪伴用户数周的个人 AI 心理助手，需要记住用户的名字、过往情绪及关键生活事件。\n\n### 没有 memoripy 时\n- **上下文丢失严重**：受限于大模型固定的窗口大小，助手无法记住用户三天前提到的“宠物狗去世”等关键背景，导致对话显得冷漠且断裂。\n- **信息检索低效**：为了保留历史，开发者被迫将全部聊天记录塞入提示词，不仅消耗大量 Token 成本，还因噪音过多导致模型回答质量下降。\n- **缺乏动态记忆机制**：系统无法区分重要与琐碎信息，既不会强化用户反复提及的痛点，也不会随时间自然淡化无关紧要的闲聊细节。\n- **语义关联薄弱**：简单的关键词匹配无法理解“心情低落”与之前提到的“失业”之间的深层语义联系，难以提供连贯的情感支持。\n\n### 使用 memoripy 后\n- **长短期记忆分层管理**：memoripy 自动将最近的对话保留在短期记忆，而将“宠物狗去世”等关键事实聚类存入长期记忆，随时按需调用。\n- **智能语义检索**：基于向量嵌入和概念图谱，当用户再次表达悲伤时，memoripy 能精准召回相关的过往经历，无需加载全部历史数据。\n- **记忆衰减与强化**：借助内置的衰减机制，琐碎的日常问候随时间淡出，而用户多次强调的核心困扰被自动强化，模拟人类真实的记忆规律。\n- **概念图谱关联**：通过图结构建立概念间的连接，助手能主动联想到“失业”可能导致了当前的“焦虑”，从而给出更具同理心的回应。\n\nmemoripy 通过模拟人类的记忆遗忘与强化机制，让 AI 应用在有限的资源下拥有了持续进化且富有温度的长期记忆能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaspianmoon_memoripy_6664ad67.png","caspianmoon","Khazar Ayaz","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcaspianmoon_85c18385.png","we're all mad here",null,"https:\u002F\u002Fgithub.com\u002Fcaspianmoon",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,689,61,"2026-04-18T04:01:26","Apache-2.0","未说明","非必需（默认使用 faiss-cpu 和云端\u002F本地 API 模型）",{"notes":91,"python":88,"dependencies":92},"该库主要依赖外部 API（如 OpenAI、Azure、OpenRouter）或本地运行的 Ollama 服务进行模型推理，自身不包含大型模型权重。存储支持内存模式或 JSON 文件持久化。由于使用 faiss-cpu，向量检索在 CPU 上运行，无需 GPU 加速。",[93,94,95,96,97,98,99],"openai","faiss-cpu","numpy","networkx","scikit-learn","langchain","ollama",[35,14,15,13],[102,103,104,105],"ai","llm","memory","memory-management","2026-03-27T02:49:30.150509","2026-04-20T07:17:14.876576",[109,114,119,124,129,134,139],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},44178,"安装时遇到依赖版本不兼容错误怎么办？","这通常是由于当前环境中已安装的包版本与库要求的版本冲突导致的。最有效的解决方法是创建一个新的虚拟环境（venv），然后在其中重新安装该库。这样可以确保安装所有正确的依赖版本，避免与现有环境冲突。","https:\u002F\u002Fgithub.com\u002Fcaspianmoon\u002Fmemoripy\u002Fissues\u002F7",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},44179,"导入库时出现 'No module named memory_store' 错误如何解决？","这是一个已修复的导入路径错误。在旧版本中，代码错误地引用了 'memory_store' 而不是相对导入 '.memory_store'。请升级库到最新版本以解决此问题。如果问题仍然存在，请检查您的安装是否完整。","https:\u002F\u002Fgithub.com\u002Fcaspianmoon\u002Fmemoripy\u002Fissues\u002F5",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},44180,"如何配置 Ollama 的非默认 base_url（例如在 Docker 容器中）？","如果您需要在非默认端口（如 Docker 容器中的不同端口）运行 Ollama，目前可能需要直接修改包内的配置或等待官方支持通过 MemoryManager 参数直接配置 base_url。这是一个已知的需求，用户曾反馈在 Docker 环境中必须更改默认的 \"http:\u002F\u002Flocalhost:11434\" 才能正常工作。建议关注后续更新以获取原生的配置支持。","https:\u002F\u002Fgithub.com\u002Fcaspianmoon\u002Fmemoripy\u002Fissues\u002F4",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},44181,"该库是否支持 Azure OpenAI 模型？","是的，社区已经贡献了对 Azure OpenAI 聊天和嵌入模型的支持。如果您需要使用 Azure OpenAI（特别是当您只有 Azure 密钥时），可以查看相关的 Pull Request（#16）或等待包含此功能的最新 PyPI 版本发布。","https:\u002F\u002Fgithub.com\u002Fcaspianmoon\u002Fmemoripy\u002Fissues\u002F15",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},44182,"库内部如何组织和管理记忆的存储与检索？","该库通过为每次交互生成一个唯一的 UUID 标识符来组织记忆，确保每条记录都可以被独立引用和检索。此外，交互还会根据使用频率和相关性被分类为“短期记忆”和“长期记忆”，以实现更高效的上下文管理。","https:\u002F\u002Fgithub.com\u002Fcaspianmoon\u002Fmemoripy\u002Fissues\u002F2",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},44183,"是否支持 Oobabooga 或其他非 OpenAI\u002FOllama 的模型？","默认情况下，该库不支持 Oobabooga。目前主要支持 OpenAI 和 Ollama 模型。不过，项目架构设计允许扩展，用户可以参考相关讨论创建自定义的 EmbeddingModel 或 ChatModel 子类来适配其他模型，或者关注社区是否已有相关集成方案。","https:\u002F\u002Fgithub.com\u002Fcaspianmoon\u002Fmemoripy\u002Fissues\u002F13",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},44184,"PyPI 上的版本为什么没有包含最新的代码更新？","有时 PyPI 上发布的版本可能会滞后于 GitHub 仓库的最新提交（例如缺少某个 PR 的更改）。如果您发现安装的版本缺少特定功能或修复，请检查 GitHub 上的最新 Release 说明，或者暂时从 GitHub 源码安装最新版本，直到维护者发布新的 PyPI 版本。","https:\u002F\u002Fgithub.com\u002Fcaspianmoon\u002Fmemoripy\u002Fissues\u002F18",[]]