Mem0 + Milvus：为人工智能构建持久化长时记忆

from typing import Annotated, TypedDict, Listfrom langgraph.graph import StateGraph, STARTfrom langgraph.graph.message import add_messagesfrom langchain_openai import ChatOpenAIfrom mem0 import Memoryimport osfrom langchain_core.messages import SystemMessage, HumanMessage, AIMessage# 设置环境变量，百炼平台qwen模型的key和baseurlos.environ["OPENAI_API_KEY"] = "sk-xx"os.environ["OPENAI_BASE_URL"] = "https://dashscope.aliyuncs.com/compatible-mode/v1"# LLM设置llm = ChatOpenAI(model="qwen-plus", temperature=0.2, max_tokens=2000)# Mem0设置，LLM、embedding和向量库config = {    "llm": {        "provider": "openai",        "config": {            "model": "qwen-plus",            "temperature": 0.2,            "max_tokens": 2000,        }    },    "embedder": {        "provider": "openai",        "config": {            "model": "text-embedding-v3",            "embedding_dims": 128,        }    },    "vector_store": {        "provider": "milvus",        "config": {            "collection_name": "mem0_test1",            "embedding_model_dims": "128",            "url": "http://c-xxx.milvus.aliyuncs.com:19530",            "token": "root:xxx",            "db_name": "default",        },    },    "version": "v1.1",}mem0 = Memory.from_config(config)# 设置LangGraph对话状态class State(TypedDict):    messages: Annotated[List[HumanMessage | AIMessage], add_messages]    mem0_user_id: strgraph = StateGraph(State)# 对话Agent开发，包含Mem0记忆读取和记忆存储def chatbot(state: State):    messages = state["messages"]    user_id = state["mem0_user_id"]    try:        # Retrieve relevant memories        memories = mem0.search(messages[-1].content, user_id=user_id,)        # Handle dict response format        memory_list = memories['results']        context = "Relevant information from previous conversations:\n"        for memory in memory_list:            context += f"- {memory['memory']}\n"        system_message = SystemMessage(content=f"""You are a helpful customer support assistant. Use the provided context to personalize your responses and remember user preferences and past interactions.{context}""")        full_messages = [system_message] + messages        print(full_messages)        response = llm.invoke(full_messages)        # Store the interaction in Mem0        try:            interaction = [                {                    "role": "user",                    "content": messages[-1].content                },                {                    "role": "assistant",                     "content": response.content                }            ]            result = mem0.add(interaction, user_id=user_id,)            print(f"Memory saved: {len(result.get('results', []))} memories added")        except Exception as e:            print(f"Error saving memory: {e}")        return {"messages": [response]}    except Exception as e:        print(f"Error in chatbot: {e}")        # Fallback response without memory context        response = llm.invoke(messages)        return {"messages": [response]}# 设置LangGraph调度节点和边graph.add_node("chatbot", chatbot)graph.add_edge(START, "chatbot")graph.add_edge("chatbot", "chatbot")compiled_graph = graph.compile()# 设置LangGraph流式输出def run_conversation(user_input: str, mem0_user_id: str):    config = {"configurable": {"thread_id": mem0_user_id}}    state = {"messages": [HumanMessage(content=user_input)], "mem0_user_id": mem0_user_id}    for event in compiled_graph.stream(state, config):        for value in event.values():            if value.get("messages"):                print("Customer Support:", value["messages"][-1].content)                return# 入口函数交互入口if __name__ == "__main__":    print("Welcome to Customer Support! How can I assist you today?")    mem0_user_id = "alice"  # You can generate or retrieve this based on your user management system    while True:        user_input = input("You: ")        if user_input.lower() in ['quit', 'exit', 'bye']:            print("Customer Support: Thank you for contacting us. Have a great day!")            break        run_conversation(user_input, mem0_user_id)

from langchain_openai import ChatOpenAIfrom mem0 import Memory# 设置环境变量，百炼平台qwen模型的key和baseurlos.environ["OPENAI_API_KEY"] = "sk-xx"os.environ["OPENAI_BASE_URL"] = "https://dashscope.aliyuncs.com/compatible-mode/v1"# LLM设置llm = ChatOpenAI(model="qwen-plus", temperature=0.2, max_tokens=2000)# Mem0设置，LLM、embedding和向量库config = {    "llm": {        "provider": "openai",        "config": {            "model": "qwen-plus",            "temperature": 0.2,            "max_tokens": 2000,        }    },    "embedder": {        "provider": "openai",        "config": {            "model": "text-embedding-v3",            "embedding_dims": 128,        }    },    "vector_store": {        "provider": "milvus",        "config": {            "collection_name": "mem0_test3",            "embedding_model_dims": "128",            "url": "http://c-xxx.milvus.aliyuncs.com:19530",            "token": "root:xxx",            "db_name": "default",        },    },    "graph_store": {        "provider": "kuzu",        "config": {            "db": "./mem0-example.kuzu"        }    },    "version": "v1.1",}# 初始化Mem0，添加数据，将同时添加内容到向量库和图谱库中m = Memory.from_config(config)m.add("我喜欢去徒步旅行", user_id="alice123")m.add("我喜欢打羽毛球", user_id="alice123")m.add("我讨厌打羽毛球", user_id="alice123")m.add("我的朋友叫约翰，约翰有一只叫汤米的狗", user_id="alice123")m.add("我的名字是爱丽丝", user_id="alice123")m.add("约翰喜欢徒步旅行，哈利也喜欢徒步旅行", user_id="alice123")m.add("我的朋友彼得是蜘蛛侠", user_id="alice123")# 按照score分数倒序排列，输出结果def get_res(res):  sorted_results = sorted(res['results'], key=lambda x: x['score'], reverse=True)  res['results'] = sorted_results  print(json.dumps(res, ensure_ascii=False, indent=2))# 提问测试get_res(m.search("我的名字是什么？", user_id="alice123"))get_res(m.search("谁是蜘蛛侠？", user_id="alice123"))