9.4k Star！MemGPT：伯克利大学最新开源、将LLM作为操作系统、无限上下文记忆、服务化部署自定义Agent

原创 Aitrainee | 公众号：AI进修生：AI算法工程师 / Prompt工程师 / ROS机器人开发者 | 分享AI动态与算法应用资讯，提升技术效率。

排版不佳，公众号阅读原文：9.4k Star！MemGPT：伯克利大学最新开源、将LLM作为操作系统、无限上下文记忆、服务化部署自定义Agent

🌟 MemGPT 允许你 使 用长期记忆和自定义 工具构建 LLM Agent 📚🦙

最近有个新项目 MemGPT
，这个东西真的挺有意思，它可以让大型语言模型，比如让GPT-4这样的llm处理比原生更长的上下文窗口，从而提高它们在复杂任务(如多会话对话和详细文档分析)中的性能。

教导llm管理自己的无限上下文内存!

▲ 在 MemGPT 中，固定上下文 LLM 处理器增强了分层内存系统和功能，使其可以管理自己的内存。LLM
的提示标记（输入）或主上下文由系统指令、工作上下文和 FIFO 队列组成。LLM 完成标记（输出）被函数执行器解释为函数调用。MemGPT
使用函数在主上下文和外部上下文（归档和调用存储数据库）之间移动数据。LLM 可以通过在其输出中生成特殊关键字参数 (
request_heartbeat=true )来请求立即后续 LLM 推理，以将函数调用链接在一起；函数链允许 MemGPT 执行多步骤检索来回答用户查询

• • llm越来越多地被用于永久聊天

• • 有限的上下文长度使得永久的聊天具有挑战性

• • MemGPT通过管理一个虚拟上下文(受操作系统中虚拟内存的启发)来创建无限的LLM上下文

• • 通过MemGPT，我们证明了llm可以被教会 管理 自己的内存!

通常像GPT-4这类大模型处理复杂的自然语言任务还行，但是当事情涉及到长期记忆或者需要推理一大堆数据时，它们就有点力不从心了。想想看，如果一个模型只能记住它最近看过的一点点信息，要是信息太多，它就处理不了了。

▲ 比较常用模型和 LLM API 的上下文长度（数据收集于 1/2024）。近似消息计数假设预提示有 1k 个令牌，平均消息大小为50
个代币。“Open”意味着该模型是开源的或开放权重的（而不是仅在 API 后面可用）。

但是，MemGPT这玩意儿来了就不一样了。加州大学伯克利分校的研究人员发明了这个技术，灵感来自于电脑操作系统怎样管理内存的。

这个技术其实挺简单的，就是把内存分成两部分：一部分像电脑的RAM一样直接用来处理信息，另一部分就像硬盘一样存放不是立刻需要的数据。当需要这些数据的时候，MemGPT就会把它们调出来。这就让模型能处理那些本来因为信息太多处理不了的任务。

▲ MemGPT（左）在收到有关上下文空间有限的系统警报后将数据写入持久内存

MemGPT通过将内存分为两个主要层进行操作:“主要上下文”，它包括LLM正在处理的直接数据，以及“外部上下文”，它存储可以根据需要带入主要上下文的额外数据。这种设计的灵感来自传统操作系统管理物理内存和虚拟内存的方式，即数据在
更快和更慢 的存储介质之间进行分页，以创建一个更大、无缝的内存空间的假象。

▲ MemGPT（左）可以搜索上下文外数据，将相关信息带入当前上下文窗口

该系统被设计为 自治的 ，根据手头任务的需求管理这些内存层之间的数据流。例如，MemGPT可以根据当前的上下文和用户交互的需求，动态地决定
何时从外部上下文检索数据 ，何时将不太重要的信息推送出去。

▲ MemGPT（左）更新存储信息的示例对话片段。这里的信息存储在工作上下文内存中（位于提示标记内）

这种架构不仅允许处理更大的数据集和更长的对话，而且还提高了模型在扩展的交互中保持 一致性 的能力，这对于需要持续参与的应用程序特别有用，例如个性化
数字助理 和高级对话代理。

▲ MemGPT（左）解决文档 QA 任务的示例。维基百科文档的数据库被上传到档案存储。MemGPT
通过函数调用查询档案存储，将分页搜索结果拉入主上下文。

这个技术的重要性在于，它没有简单地增加模型的大小或者计算需求，而是通过一种更聪明的方式来优化模型的内存使用。这样做不仅能让现有的模型做得更好，还为未来的发展提供了新的方向。

MemGPT 还支持与 llama.cpp、vLLM、Ollama、LM Studio 等开源模型整合、以及与 AutoGen 等 MultiAgent
框架进行结合使用。 AutoGen是微软开源的多 Agent 的开发框架，目前 25.5K Star。

https://memgpt.readme.io/docs/local_llmhttps://github.com/microsoft/autogen

![](https://res.wx.qq.com/t/wx_fed/we-

emoji/res/v1.3.10/assets/newemoji/Party.png) 快速开始 ****

MemGPT 让构建和部署具有以下功能的有状态 LLM 代理变得简单：

• • 长期记忆/状态管理

• • 与 外部数据源 （例如 PDF 文件）的连接，用于 RAG

• • 定义和调用 自定义工具 （例如 Google 搜索 ）

您还可以使用 MemGPT 将代理部署为 服务 。您可以使用 MemGPT 服务器在支持的 LLM 提供者的基础上运行多用户、多代理应用程序。

安装与设置

安装 MemGPT：

pip install -U pymemgpt

要将 MemGPT 与 OpenAI 一起使用，请将环境变量 OPENAI_API_KEY 设置为您的 OpenAI 密钥，然后运行：

memgpt quickstart --backend openai

要使用 MemGPT 与免费托管的端点，请运行：

memgpt quickstart --backend memgpt

要获取更高级的配置选项或使用不同的 LLM 后端 或 本地 LLMs ，请运行 memgpt configure 。

快速入门（CLI）

您可以在 CLI 中运行 memgpt run 来创建并与 MemGPT 代理聊天。 run 命令支持以下可选标志（请参阅 CLI 文档
以获取完整的标志列表）：

• • --agent ：（str）要创建或恢复聊天的代理的名称。

• • --first ：（str）允许用户发送第一条消息。

• • --debug ：（bool）显示调试日志（默认=False）

• • --no-verify ：（bool）绕过消息验证（默认=False）

• • --yes / -y ：（bool）跳过确认提示并使用默认值（默认=False）

您可以在 CLI 文档 中查看可用的聊天命令列表（例如 /memory 、 /exit ）。

开发者门户（alpha 构建）

MemGPT 提供了一个开发者门户，使您可以轻松创建、编辑、监视和与您的 MemGPT 代理聊天。使用 docker 安装 MemGPT
是使用开发者门户的最简单方法（请参阅下面的说明）。

快速入门（服务器）

选项 1（推荐） ：使用 docker compose 运行

1. 1. 在您的系统上安装 docker

2. 2. 克隆仓库： git clone git@github.com:cpacker/MemGPT.git

3. 3. 运行 docker compose up

4. 4. 在浏览器中转到 memgpt.localhost 查看开发者门户

选项 2： 使用 CLI 运行：

1. 1. 运行 memgpt server

2. 2. 在浏览器中转到 localhost:8283 查看开发者门户

服务器运行后，您可以使用 Python 客户端 或 REST API 连接到 memgpt.localhost （如果您使用 docker
compose 运行）或 localhost:8283 （如果您使用 CLI 运行）以创建用户、代理等。服务需要使用 MemGPT
管理员密码进行身份验证，可以使用运行 export MEMGPT_SERVER_PASS=password 设置密码。

当使用 MemGPT 与开放的 LLMs（例如从 HuggingFace 下载的）时，MemGPT 的性能将高度依赖于 LLM 的函数调用能力。您可以在
Discord 的 #model-chat 频道 以及 此电子表格 上找到已知与 MemGPT 配合良好的 LLMs/模型的列表。

参考链接

文档：https://memgpt.readme.io

论文：https://ar5iv.labs.arxiv.org/html/2310.08560

官网：https://research.memgpt.ai/

Github：https://github.com/cpacker/MemGPT

— 完 —