MemFeedback
1. 简介
MemFeedback 是 MemOS 的“后悔药”。
在长时记忆系统中，最头疼的往往不是“记不住”，而是“记错了改不掉”。当用户说“不，我的生日是明天”或者“把这个项目的代号改成 X”时，简单的 RAG 系统通常无能为力。
MemFeedback 能够听懂这些自然语言指令，自动去数据库里精准定位冲突的记忆，并执行原子级的修正操作（比如把旧记忆归档、写入新记忆）。通过它，你的 Agent 能够像人一样在交流中不断纠错和学习。
2. 核心能力
它能处理四种常见的反馈场景：
纠错 (Correction)
用户指出事实错误。系统不会粗暴地删除旧数据，而是将其归档 (Archive)，并写入新数据。这样既修正了错误，又保留了版本历史（Traceability）。如果是正在进行的对话（WorkingMemory），则直接原地更新，保证上下文连贯。
补充 (Addition)
如果用户只是补充了新信息，且与旧记忆不冲突，那就很简单——直接作为新节点存入记忆库。
全局替换 (Keyword Replacement)
类似于 IDE 里的“全局重构”。比如用户说“把所有文档里的‘张三’都改成‘李四’”，系统会结合 Reranker 自动圈定受影响的文档范围，批量更新所有相关记忆。
偏好进化 (Preference Evolution)
专门处理“我不吃香菜”、“我喜欢 Python”这类偏好。系统会记录下这个偏好产生的场景，不断丰富用户画像，让 Agent 越用越顺手。
3. 代码结构
核心逻辑都在 memos/src/memos/mem_feedback/ 下。
simple_feedback.py: 推荐直接看这个。它是官方封装好的版本，把 LLM、向量数据库、检索器都组装好了，开箱即用。feedback.py: 核心实现类MemFeedback。脏活累活都在这儿：意图识别、冲突比对、安全风控。base.py: 接口定义。utils.py: 工具箱。
4. 关键接口
主入口就一个：process_feedback()。通常在 RAG 流程结束、用户给出反馈后异步调用。
4.1 输入参数
| 参数 | 说明 |
|---|---|
user_id / user_name | 用户标识与 Cube ID。 |
chat_history | 对话历史，让 LLM 知道你们刚才聊了啥。 |
feedback_content | 用户说的那句反馈（比如“不对，是五点”）。 |
retrieved_memory_ids | 必填项（强烈建议）。把上一轮 RAG 检索到的记忆 ID 传进来，相当于给了系统一个“靶子”，告诉它要修正哪条记忆。如果不传，系统得自己去海量记忆里重新搜，不仅慢，还容易改错。 |
corrected_answer | 是否顺便生成一句修正后的回复。 |
4.2 输出结果
返回一个字典，告诉你这次操作改了什么：
record: 数据库变更明细（比如{ "add": [...], "update": [...] }）。answer: 给用户的自然语言回复。
5. 工作流程
MemFeedback 的工作流程像是一个严谨的编辑部：
- 审稿 (意图识别): 先看用户是在纠错、补充信息，还是在改名。
- 定位 (召回): 找到要修改的那条记忆（如果你传了 ID，这步就省了）。
- 校对 (比对): 让 LLM 仔细比对新旧信息，确定是完全新增 (ADD) 还是需要更新 (UPDATE)。
- 风控 (安全检查): 防止 LLM 瞎改。比如 ID 对不对？是不是要把一篇长文档全删了？（会有阈值拦截）。
- 出版 (写入): 最后执行图数据库操作，归档旧的，写入新的。
6. 开发示例
这里有一份可运行的代码清单，展示了如何初始化服务、预置一个“错误记忆”，然后通过用户反馈将其修正。
6.1 准备工作
首先，我们需要初始化 SimpleMemFeedback 服务。
# 假设 llm, embedder, graph_db 等组件已通过 Factory 初始化完成
# 完整初始化代码请参考 examples/mem_feedback/example_feedback.py
from memos.mem_feedback.simple_feedback import SimpleMemFeedback
feedback_server = SimpleMemFeedback(
llm=llm,
embedder=embedder,
graph_store=graph_db,
memory_manager=memory_manager,
mem_reader=mem_reader,
searcher=searcher,
reranker=mem_reranker,
pref_mem=None,
)
6.2 模拟场景与执行反馈
场景：系统错误地记住了“你喜欢苹果，不喜欢香蕉”，现在我们要纠正它。
import json
from memos.mem_feedback.utils import make_mem_item
# 1. 模拟对话历史
# 用户问偏好，助手答错了
history = [
{"role": "user", "content": "我喜欢什么水果,不喜欢什么水果"},
{"role": "assistant", "content": "你喜欢苹果,不喜欢香蕉"},
]
# 2. 预置“错误记忆”
# 我们手动往库里塞一条错误的事实
mem_text = "你喜欢苹果,不喜欢香蕉"
# ... (省略 make_mem_item 的详细参数，见源码) ...
memory_manager.add([make_mem_item(mem_text, ...)], ...)
# 3. 用户反馈
feedback_content = "错了,实际上我喜欢的是山竹"
print(f"Feedback Input: {feedback_content}")
# 4. 执行修正
# MemFeedback 会发现冲突，把旧记忆归档，写入新记忆“喜欢山竹”
res = feedback_server.process_feedback(
...,
chat_history=history,
feedback_content=feedback_content,
...
)
# 5. 查看结果
print(json.dumps(res, indent=4))
7. 配置说明
要让 MemFeedback 转起来，你需要准备好以下组件的配置（通常在 .env 或 YAML 里）：
- LLM (
extractor_llm): 脑子要好使，建议用 GPT-4o 级别的模型。Temperature 设低点（比如 0），因为它要干的是逻辑分析，不需要太发散。 - Embedder (
embedder): 用于把新记忆变成向量。 - GraphDB (
graph_db): 记忆存在哪、怎么存，这两兄弟负责。 - MemReader (
mem_reader): 如果是纯新增的记忆，用它来解析。