PreferenceTextMemory: 存储和管理用户偏好的明文记忆
PreferenceTextMemory 是MemOS中用于存储和管理用户偏好的明文记忆模块。它适用于需要根据用户偏好进行记忆检索的场景。目录
为什么需要偏好记忆
优势特性
- 双重偏好提取：自动识别显式偏好和隐式偏好
- 语义理解：使用向量嵌入理解偏好的深层含义
- 智能去重：自动检测和合并重复或冲突的偏好
- 精准检索：基于向量相似度的语义搜索
- 持久化存储：支持向量数据库（Qdrant/Milvus）
- 可扩展性：支持大规模偏好数据管理
- 个性化增强：为每个用户维护独立的偏好档案
应用场景
- 个性化对话代理（记住用户喜好）
- 智能推荐系统（基于偏好推荐）
- 客户服务系统（提供定制化服务）
- 内容过滤系统（根据偏好筛选内容）
- 学习辅助系统（适应学习风格）
总结来说，当你需要构建能够"记住"用户喜好并据此提供个性化服务的系统时，PreferenceTextMemory 是最佳选择。
核心概念与工作流程
记忆结构
在MemOS中，偏好记忆以PreferenceTextMemory表示，每条记忆都是一个TextualMemoryItem，使用Milvus数据库存储。
id: 唯一记忆ID（如果省略则自动生成）memory: 主要文本metadata: 包括层次结构信息、嵌入、标签、实体、源和状态
偏好记忆又可以分为显式偏好记忆和隐式偏好记忆：
- 显式偏好记忆：用户明确表达的喜好或厌恶。示例：
- "我喜欢深色模式"
- "我不吃辣"
- "请用简短的回答"
- "我更喜欢技术文档而不是视频教程"
- 隐式偏好记忆：从用户行为和对话模式中推断出的偏好。示例：
- 用户总是询问代码示例 → 偏好实践导向的学习
- 用户经常要求详细解释 → 偏好深入理解
- 用户多次提到环保话题 → 关注可持续发展
智能提取PreferenceTextMemory 使用 LLM 自动从对话中同时提取显式和隐式偏好，无需手动标注！
元数据字段 （PreferenceTextualMemoryMetadata）
| 字段 | 类型 | 描述 |
|---|---|---|
preference_type | "explicit_preference", "implicit_preference" | 偏好记忆类型，分为显式偏好记忆和隐式偏好记忆 |
dialog_id | str | 对话ID，用于关联偏好记忆与特定对话 |
original_text | str | 原始文本，包含用户偏好信息 |
embedding | str | 嵌入向量，用于语义搜索和检索 |
preference | str | 用户偏好信息 |
create_at | str | 创建时间戳 (ISO 8601) |
mem_cube_id | str | 记忆立方ID，用于关联偏好记忆与特定记忆立方 |
score | float | 检索结果中偏好记忆和query的相似度评分 |
核心工作流
当您运行此示例时，您的工作流将:
- 抽取: 使用LLM从原始文本中提取结构化记忆.
- 嵌入: 为相似性搜索生成向量嵌入.
- 存储: 将偏好记忆存储到Milvus数据库中，同时更新元数据字段.
- 搜索: 通过向量相似度查询，返回最相关的偏好记忆.
API 参考
初始化
PreferenceTextMemory(config: PreferenceTextMemoryConfig)
核心方法
| 方法 | 描述 |
|---|---|
get_memory(messages) | 从原始对话中抽取偏好记忆. |
search(query, top_k) | 使用向量相似度检索top-k偏好记忆. |
load(dir) | 从存储的文件中加载偏好记忆. |
dump(dir) | 将所有偏好记忆序列化到目录中的JSON文件. |
add(memories) | 批量添加偏好记忆到Milvus数据库. |
get_with_collection_name(collection_name, memory_id) | 通过集合名称和记忆ID获取特定类型的偏好记忆. |
get_by_ids_with_collection_name(collection_name, memory_ids) | 通过集合名称和记忆IDs批量获取特定类型的偏好记忆. |
get_all() | 获取所有偏好记忆. |
get_memory_by_filter(filter) | 根据过滤条件获取偏好记忆. |
delete(memory_ids) | 删除指定ID的偏好记忆. |
delete_by_filter(filter) | 根据过滤条件删除偏好记忆. |
delete_with_collection_name(collection_name, memory_ids) | 删除指定集合名称和IDs的所有偏好记忆. |
delete_all() | 删除所有偏好记忆. |
文件存储
当调用 dump(dir) 时，MemOS将所有偏好记忆序列化到目录中的JSON文件中:
<dir>/<config.memory_filename>
动手实践：从 0 到 1
创建 PreferenceTextMemory 配置
定义:
- 你的embedding模型（例如，nomic-embed-text:latest）,
- 你的Milvus数据库后端,
- 记忆抽取器（基于LLM）（可选）.
from memos.configs.memory import PreferenceTextMemoryConfig
config = PreferenceTextMemoryConfig.from_json_file("examples/data/config/preference_config.json")
初始化 PreferenceTextMemory
from memos.memories.textual.preference import PreferenceTextMemory
preference_memory = PreferenceTextMemory(config)
抽取结构化记忆
使用记忆抽取器将对话、文件或文档解析为多个TextualMemoryItem.
scene_data = [[
{"role": "user", "content": "Tell me about your childhood."},
{"role": "assistant", "content": "I loved playing in the garden with my dog."}
]]
memories = preference_memory.get_memory(scene_data, type="chat", info={"user_id": "1234"})
preference_memory.add(memories)
搜索记忆
results = preference_memory.search("Tell me more about the user", top_k=2)
备份与恢复
支持偏好记忆的持久化存储与随时重载：
preference_memory.dump("tmp/pref_memories")
preference_memory.load("tmp/pref_memories")
完整代码示例
该示例整合了上述所有步骤，提供一个端到端的完整流程，以Milvus为例 —— 复制即可运行！
from memos.configs.memory import PreferenceTextMemoryConfig
from memos.memories.textual.preference import PreferenceTextMemory
# 创建PreferenceTextMemory
config = PreferenceTextMemoryConfig.from_json_file("examples/data/config/preference_config.json")
preference_memory = PreferenceTextMemory(config)
preference_memory.delete_all()
scene_data = [[
{"role": "user", "content": "Tell me about your childhood."},
{"role": "assistant", "content": "I loved playing in the garden with my dog."}
]]
# 从原始对话中抽取偏好记忆，并添加到Milvus数据库中
memories = preference_memory.get_memory(scene_data, type="chat", info={"user_id": "1234"})
preference_memory.add(memories)
# 搜索记忆
results = preference_memory.search("Tell me more about the user", top_k=2)
# 持久化存储偏好记忆
preference_memory.dump("tmp/pref_memories")