Verschreibung
Um die Langzeitspeicherfähigkeit von LLM zu erreichen, kann die Speichererweiterungsfunktion (Memory Augmentation Generation, MAG) des MemOS-Systems verwendet werden, deren Kernprozess in drei Schritte unterteilt ist:
- Initialisierung Konfiguration: Nach der Installation der Linux-Umgebung verwenden Sie die
git clone https://github.com/MemTensor/MemOS.gitHolen Sie sich den neuesten Code vonmake installFertigstellung der Anlage - SpeicherplatzAufgerufen über Python-API
add_memory()Methoden, Beispiele:mag.add_memory(user_id="user1", content="用户偏好编程语言是Python") - PersonalisierungAutomatisches Zuordnen von Erinnerungen bei der Erstellung von Antworten:
response = mag.generate(query="推荐学习资源", user_id="user1")
Das System gibt auf der Grundlage der Speicherpräferenzen Python-bezogene Ressourcen zurück
ErweiterungsprogrammFür komplexe Szenarien kann dies mit dem MemCube-Modul über die Funktionconfig/scheduler.yamlKonfigurieren Sie die Speichergewichtung, um z. B. die Priorität der jüngsten Erinnerungen zu erhöhen.
Diese Antwort stammt aus dem ArtikelMemOS: Ein Open-Source-System zur Verbesserung der Speicherkapazität von großen SprachmodellenDie
Darf nicht ohne Genehmigung vervielfältigt werden:KI-Produktivitätswerkzeuge " Wie kann die Langzeitspeicherkapazität von großen Sprachmodellen erreicht werden, um personalisierte Interaktionen zu verbessern?
Deutsch 
简体中文 
English 
日本語 
Português do Brasil