A-Mem完全教程从零开始构建基于Zettelkasten的动态记忆网络【免费下载链接】A-memThe code for NeurIPS 2025 paper A-Mem: Agentic Memory for LLM Agents项目地址: https://gitcode.com/gh_mirrors/ag/A-memA-MemAgentic Memory是一种创新的动态记忆网络系统专为LLM智能体设计能够以智能体方式动态组织记忆。本教程将引导你从零开始构建基于Zettelkasten原理的A-Mem系统让你的AI智能体拥有高效、灵活的记忆管理能力。什么是A-Mem动态记忆网络 传统的LLM智能体虽然能够通过外部工具处理复杂任务但在记忆管理方面往往缺乏高级组织能力。A-Mem系统通过引入Zettelkasten笔记方法和动态记忆演化机制彻底改变了AI智能体管理和利用记忆的方式。传统记忆系统中LLM智能体与记忆之间只有简单的读写交互A-Mem系统引入了Agentic Memory层实现智能体与记忆的动态交互A-Mem动态记忆网络的核心在于它能够像人类大脑一样组织和演化记忆建立有意义的连接并根据新信息不断调整和优化记忆结构。A-Mem的核心特性 ✨A-Mem系统具有以下关键特性使其成为LLM智能体的理想记忆解决方案 基于Zettelkasten原理的动态记忆组织采用卡片盒笔记法让记忆之间形成有机连接 智能记忆索引与链接自动分析记忆内容建立有意义的关联 结构化属性的全面笔记生成为每个记忆添加丰富的元数据包括关键词、上下文和标签 互联知识网络形成类似人脑的知识图谱支持多维度记忆检索 持续记忆演化与优化记忆系统能够自我更新和完善 智能体驱动的自适应记忆管理AI智能体自主决定如何存储、链接和检索记忆A-Mem系统架构详解 ️A-Mem系统由四个主要模块组成共同协作实现动态记忆管理A-Mem系统框架展示了LLM智能体与各记忆组件之间的动态交互1. 笔记构建Note Construction当LLM智能体与环境交互时系统会自动将对话内容转化为结构化记忆笔记。每个笔记包含核心内容时间戳关键词上下文描述标签嵌入向量这些笔记就像Zettelkasten系统中的索引卡片为后续的记忆组织奠定基础。相关代码实现可参见memory_layer.py中的MemoryNote类。2. 链接生成Link Generation系统通过智能算法分析新笔记与现有记忆的关系自动建立有意义的链接。这一过程类似于人类大脑中的联想思维帮助构建互联的知识网络。链接生成算法在memory_layer.py的process_memory方法中实现。3. 记忆演化Memory EvolutionA-Mem系统最强大的特性之一是记忆能够随着新信息的加入而不断演化。系统会定期分析记忆网络识别可以强化的连接和需要更新的内容使记忆系统保持活力和相关性。4. 记忆检索Memory Retrieval当智能体需要相关信息时A-Mem系统采用混合检索机制结合BM25和语义搜索快速找到最相关的记忆。检索算法在memory_layer.py的HybridRetriever和SimpleEmbeddingRetriever类中实现。快速开始构建你的第一个A-Mem系统 按照以下步骤你可以在几分钟内搭建起A-Mem动态记忆网络1. 准备环境首先克隆A-Mem项目仓库git clone https://gitcode.com/gh_mirrors/ag/A-mem cd A-mem2. 安装依赖创建并激活虚拟环境然后安装所需依赖# 创建并激活虚拟环境 python -m venv a-mem source a-mem/bin/activate # Linux/Mac # 或在Windows上使用: a-mem\Scripts\activate # 安装依赖 pip install -r requirements.txt3. 初始化A-Mem系统在你的Python代码中初始化A-Mem动态记忆系统from memory_layer import AgenticMemorySystem # 创建记忆系统实例 memory_system AgenticMemorySystem( model_nameall-MiniLM-L6-v2, llm_backendopenai, # 或 ollama, sglang llm_modelgpt-4o-mini )4. 添加记忆笔记向系统添加记忆内容系统会自动处理并生成结构化笔记# 添加记忆 memory_id memory_system.add_note(LLM模型通过自注意力机制处理输入序列) print(f添加的记忆ID: {memory_id})5. 检索相关记忆查询系统以获取与特定主题相关的记忆# 查找相关记忆 related_memories memory_system.find_related_memories(LLM如何处理输入数据?, k3) print(相关记忆:) for memory in related_memories: print(f- {memory.content})高级应用A-Mem系统参数调优 ⚙️为了获得最佳性能你可能需要调整A-Mem系统的一些关键参数检索参数retrieve_k控制每次查询返回的记忆数量默认为10。不同模型可能需要不同的最优值python test_advanced_robust.py --retrieve_k 15演化阈值evo_threshold设置记忆系统自动整合优化的频率默认为100memory_system AgenticMemorySystem( evo_threshold50 # 每添加50个记忆进行一次整合 )混合检索权重alpha调整BM25和语义搜索在混合检索中的权重范围0-1# 在HybridRetriever初始化时设置 retriever HybridRetriever(alpha0.3) # 增加语义搜索权重运行完整实验 A-Mem项目提供了完整的实验脚本帮助你在LoCoMo数据集上评估系统性能# 基本评估 python test_advanced.py # 稳健评估推荐 python test_advanced_robust.py --backend openai --model gpt-4o-mini \ --dataset data/locomo10.json --output results_robust_gpt-4o-mini.json # 运行k值扫描以找到最佳检索参数 bash run_k_sweep.shLoCoMo数据集包含多种类型的记忆检索任务包括多跳推理Multi-hop时间相关Temporal开放域Open-domain单跳推理Single-hop对抗性AdversarialA-Mem系统的实际应用场景 A-Mem动态记忆网络可用于多种AI应用场景智能助手为个人AI助手提供长期记忆使其能够记住用户偏好、历史对话和重要信息提供更加个性化的服务。知识库管理构建动态更新的知识库自动组织和连接信息支持高效检索和知识发现。教育系统创建智能学习环境根据学生的学习历史和进度提供个性化的学习材料和辅导。科研助手帮助研究人员管理文献、实验结果和研究思路发现跨领域的关联和创新点。总结与展望 A-Mem动态记忆网络通过结合Zettelkasten笔记方法和AI技术为LLM智能体提供了强大的记忆管理能力。本教程介绍了A-Mem系统的核心概念、架构和使用方法帮助你快速构建自己的动态记忆网络。随着AI技术的不断发展A-Mem系统将在以下方面继续优化更高效的记忆演化算法多模态记忆支持跨智能体记忆共享自监督记忆优化现在你已经掌握了构建A-Mem动态记忆网络的基础知识开始创建拥有强大记忆能力的AI智能体吧引用与许可证 如果您在研究中使用A-Mem系统请引用以下论文inproceedings{xu2025amem, title{A-Mem: Agentic memory for llm agents}, author{Xu, Wujiang and Liang, Zujie and Mei, Kai and Gao, Hang and Tan, Juntao and Zhang, Yongfeng}, booktitle{Advances in Neural Information Processing Systems}, year{2025} }A-Mem项目采用MIT许可证详情参见LICENSE文件。【免费下载链接】A-memThe code for NeurIPS 2025 paper A-Mem: Agentic Memory for LLM Agents项目地址: https://gitcode.com/gh_mirrors/ag/A-mem创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考