大脑内存

相关源文件

• metagpt/actions/skill_action.py
• metagpt/actions/talk_action.py
• metagpt/memory/brain_memory.py
• metagpt/roles/assistant.py
• metagpt/utils/redis.py
• metagpt/utils/s3.py
• tests/metagpt/memory/test_brain_memory.py
• tests/metagpt/roles/test_assistant.py
• tests/metagpt/test_llm.py
• tests/metagpt/utils/test_redis.py
• tests/metagpt/utils/test_s3.py

MetaGPT中的Brain Memory系统为代理提供了长期存储和记忆管理能力。它处理对话历史存储、知识保留、自动记忆摘要以及使用Redis进行的持久化存储。该系统使代理能够在交互过程中保持上下文，回忆相关信息，并通过智能摘要优化内存使用。

有关Experience Pooling（一种用于缓存函数输出的独立记忆系统）的信息，请参阅Experience Pooling。

架构概述

BrainMemory是主要由Assistant角色使用的核心记忆组件，用于存储对话历史、相关知识并生成过去交互的摘要。

来源：metagpt/memory/brain_memory.py26-259 metagpt/roles/assistant.py37-45

核心组件

BrainMemory类由几个关键组件组成，它们协同工作以提供一个全面的记忆系统。

组件	类型	目的
history	List[Message]	存储最近的对话消息
knowledge	List[Message]	存储代理可用的知识/事实
historical_summary	str	早期对话历史的压缩摘要
last_history_id	str	最新消息的ID
is_dirty	bool	指示自上次保存以来内存是否已被修改的标志
last_talk	Optional[str]	最近的用户消息
cacheable	bool	内存是否应缓存在Redis中
llm	Optional[BaseLLM]	用于摘要和其他操作的LLM实例
config	Optional[_Config]	配置设置

来源：metagpt/memory/brain_memory.py26-36

记忆处理流程

下图说明了消息如何通过BrainMemory系统进行流动，包括添加消息、摘要和持久化的过程。

来源：metagpt/memory/brain_memory.py45-110 metagpt/roles/assistant.py118-130

消息管理

BrainMemory提供了添加和管理不同类型消息的方法。

添加消息

消息通过两种主要方法添加到内存中：

1. add_talk(msg)：添加用户消息，将角色设置为“user”。
2. add_answer(msg)：添加助手消息，将角色设置为“assistant”。

这两种方法都调用add_history(msg)，该方法会：

• 检查消息ID是否比最后历史ID新。
• 将消息添加到历史记录列表中。
• 更新最后历史ID。
• 将is_dirty标志设置为True。

来源：metagpt/memory/brain_memory.py45-57 metagpt/memory/brain_memory.py103-110

知识管理

The knowledge 属性存储代理可用的信息。get_knowledge() 方法将所有知识消息合并为一个文本块。

此知识文本用于LLM的提示中，以提供响应的上下文。

来源：metagpt/memory/brain_memory.py59-61

通过Redis进行记忆持久化

BrainMemory使用Redis对内存数据进行持久化存储。

保存和加载记忆

内存使用dumps方法保存到Redis。

内存使用loads方法从Redis加载。

Redis中的键使用to_redis_key方法进行格式化。

来源：metagpt/memory/brain_memory.py63-89 metagpt/utils/redis.py19-63

通过摘要优化记忆

BrainMemory通过摘要技术实现了复杂的记忆优化。

摘要方法

该系统支持基于LLM提供商的不同摘要方法：

1. OpenAI摘要：使用递归方法处理长文本，如有需要则将其分割成窗口。
2. MetaGPT摘要：使用一种更简单的方法，将最近的历史摘要到一定的字数限制。

摘要过程：

1. 结合历史摘要和最近历史。
2. 检查合并后的文本长度是否超过阈值。
3. 对于长文本，将其分割成窗口并摘要每个窗口。
4. 如果需要，递归地摘要合并的窗口摘要。
5. 更新历史摘要并清除历史记录列表。

来源：metagpt/memory/brain_memory.py130-344

语义分析能力

BrainMemory包含文本的语义分析能力。

相关性检测

The is_related 方法确定两个文本是否在语义上相关。

对于OpenAI模型，它使用结构化提示询问两个段落是否在语义上相关。

句子改写

The rewrite 方法使用上下文中的信息来增强句子。

对于OpenAI模型，它构建了一个提示，要求LLM使用上下文来增强句子。

来源：metagpt/memory/brain_memory.py198-246

与Assistant角色的集成

Assistant角色使用BrainMemory来管理对话上下文并生成响应。

关键集成点

1. 添加用户输入：Assistant的talk方法将用户消息添加到内存中。

2. 内存优化：refine_memory方法：

   • 检索最后的用户输入。
   • 检查是否有相关的对话历史。
   • 如有需要，摘要对话历史。
   • 检查当前输入是否与历史记录相关。
   • 如果相关，将相关上下文与当前输入合并。

3. 生成响应：act方法：

   • 使用内存内容生成响应。
   • 将响应添加到内存中。

4. 加载和保存内存：get_memory和load_memory方法用于在会话之间持久化内存。

来源：metagpt/roles/assistant.py36-140 metagpt/actions/talk_action.py16-96

TalkAction中的用法

TalkAction利用BrainMemory的历史和知识为LLM响应提供上下文。

来源：metagpt/actions/talk_action.py74-90

结论

Brain Memory系统是MetaGPT的一个复杂组件，它为会话代理提供了智能记忆管理。它平衡了即时上下文（近期历史）与压缩上下文（历史摘要）和相关知识，以实现自然、上下文感知的交互。它与Redis的集成允许持久化存储，而其摘要和语义分析能力则优化了内存使用并增强了响应的相关性。

该系统展示了MetaGPT在长期会话中保持上下文并同时高效管理内存的解决方案。