OpenAGI：介绍长期记忆

在人工智能快速发展的世界中，机器不仅能够处理信息，而且能够记住并从过去的互动中学习是至关重要的。OpenAGI的最新更新引入了长期记忆（LTM），这是一项突破性的进展，标志着在开发智能、类似人类的代理程序方面迈出了重要一步。这一创新功能提升了代理程序互动、适应和成长的方式，为AI驱动系统带来了新的智能水平。

什么是长期记忆，为什么它重要？

长期记忆为AI代理提供了存储和回忆来自先前交互的信息的能力，就像人类记忆一样。这种发展不仅仅是一项新功能，而且是AI系统运作方式的根本性转变，提升了它们的性能和用户体验。

使用LTM，OpenAGI代理现在可以：

回顾过去的互动，以提供对话的连续性。
随着时间的推移学习并根据用户输入进行适应。
通过参考以往的对话提供具有上下文相关性的回复。
随着每次交互的增多提高他们的准确性和效率。

长期记忆的主要特点

无缝集成：在OpenAGI中启用LTM非常简单，只需要进行简单的配置更新。
可定制的存储器：用户可以控制他们的代理的记忆存储在哪里以及如何存储。
智能检索：LTM利用语义相似性从过去经验中检索和应用相关信息。
反馈驱动学习：代理人可以整合用户反馈以持续提升他们的表现。
隐私控制：内存管理是用户友好的，可以轻松删除或修改存储的信息。

在OpenAGI中实施长期记忆（LTM）

在OpenAGI中，长期记忆的实现被设计为尽可能简单。以下是一个示例代码片段，演示如何在您的代理中启用和配置LTM：

导入库和模块：此部分导入与OpenAGI交互、处理内存、任务规划和使用DuckDuckGo进行网络搜索所需的组件。

import os
from openagi.agent import Admin
from openagi.llms.openai import OpenAIModel
from openagi.memory import Memory
from openagi.planner.task_decomposer import TaskPlanner
from openagi.worker import Worker
from openagi.actions.tools.ddg_search import DuckDuckGoSearch

设置API密钥：此行在环境中设置OpenAI API密钥，允许访问OpenAI模型。

os.environ['OPENAI_API_KEY'] = "-"

加载OpenAI模型：OpenAI模型是通过从环境中加载配置数据进行初始化的。这个llm对象将用来处理任务。

config = OpenAIModel.load_from_env_config()
llm = OpenAIModel(config=config)

定义一个网络搜索工作者：这将创建一个担任“网络研究员”角色的工作者，他将使用DuckDuckGo根据用户查询来查找信息。

web_searcher = Worker(
role="Web Researcher",
instructions="""
You are tasked with conducting web searches using DuckDuckGo.
Find the most relevant and accurate information based on the user's query.
""",
actions=[DuckDuckGoSearch], 
)

管理设置：在这里，创建了一个管理员实例来管理任务执行，使用任务计划程序、长期记忆和加载的LLM（OpenAI模型）。

admin = Admin(
actions=[DuckDuckGoSearch],
planner=TaskPlanner(human_intervene=False),
memory=Memory(long_term=True),
llm=llm,
)

分配工作者：web_searcher 工作者被分配给管理员处理网络搜索任务。

admin.assign_workers([web_searcher])

提示用户输入：程序提示用户输入查询，并根据该查询创建描述。

query = input("Enter your search query: ")
description = f"Find accurate and relevant information for the query: {query}"

运行代理：管理员执行任务，使用用户的查询和描述。调用DuckDuckGoSearch工作器以获取相关信息。

res = admin.run(
query=query,
description=description
)

显示结果：搜索结果以格式化的方式打印出来，以便向用户提供输出。

print(res)

有了LTM激活，您的代理现在将保留来自先前互动的知识，并利用这些信息提供更相关和智能的回复。

真实世界应用：记忆力的力量行动中

考虑一个现实世界的情景，您正在构建一个音乐助手，为用户检索歌词。代理记住用户偏好和以前的互动能力展示了LTM的潜力：

最初查询：

用户：“请提供皇后乐队的歌曲‘波西米亚狂想曲’的歌词。”

代理人:

按下Enter键后，我们将获得歌词作为输出，并显示一条消息，表明长期记忆已更新：

后续查询:

用户：“现在给我‘Radio Ga Ga’的歌词。”

现在，代理人在长期记忆中寻找类似的查询并检索它们：

在这个例子中，代理记住了用户之前对Queen乐队的兴趣，提供了与上下文相关的回应。这种互动水平是通过长期记忆的整合实现的。

自定义您的代理记忆

OpenAGI 的 LTM 功能的一个关键优势是其灵活性。开发人员可以微调各种参数来定制他们的代理的内存能力：

长期: 一个布尔标志，用来启用或禁用LTM。
ltm_threshold：定义检索记忆的语义相似度阈值（默认值：0.7）。
长期目录: 指定内存存储的目录。

这里是如何自定义这些参数的示例：

from openagi.memory import Memory
memory = Memory(
 long_term=True,
 ltm_threshold=0.8,
 long_term_dir="/path/to/custom/memory/storage"
)
admin = Admin(
 actions=[YourCustomTool],
 planner=TaskPlanner(human_intervene=True),
 memory=memory,
 llm=llm,
)

这种定制化水平使开发人员能够优化内存存储和检索，确保代理在复杂环境中有效运行。