prescrição
Para obter a capacidade de memória de longo prazo do LLM, a função Memory Augmentation Generation (MAG) do sistema MemOS pode ser usada, e seu processo de operação principal é dividido em três etapas:
- Configuração de inicializaçãoApós instalar o ambiente Linux, use o comando
git clone https://github.com/MemTensor/MemOS.gitObtenha o código mais recente emmake installConclusão da instalação - armazenamento de memóriaChamada via API do Python
add_memory()Métodos, exemplos:mag.add_memory(user_id="user1", content="用户偏好编程语言是Python") - PersonalizaçãoAssocie automaticamente as memórias ao gerar respostas:
response = mag.generate(query="推荐学习资源", user_id="user1")
O sistema retornará recursos relacionados ao Python com base nas preferências de armazenamento
Programa de aprimoramentoPara cenários complexos, isso pode ser combinado com o módulo MemCube por meio doconfig/scheduler.yamlConfigure os pesos de memória, por exemplo, para elevar a prioridade das memórias recentes.
Essa resposta foi extraída do artigoMemOS: um sistema de código aberto para aprimorar a capacidade de memória de modelos de idiomas grandesO
Não pode ser reproduzido sem permissão:Ferramentas de produtividade de IA " Como alcançar a capacidade de memória de longo prazo de grandes modelos de linguagem para aprimorar as interações personalizadas?
Português do Brasil 
简体中文 
English 
日本語 
Deutsch