示例概览¶
探索 6 个 OntoMem 的真实使用示例，展示不同的功能和用例。
特色示例¶
1️⃣ 自我改进的调试器¶
一个 AI 调试智能体从遇到的每个 bug 中学习，构建不断发展的解决方案知识库。
主题：错误学习与整合
策略：LLM.BALANCED 智能合并
关键特性：错误整合、LLM 驱动的合并、跨遭遇学习
查看示例 → | 源代码
2️⃣ RPG NPC 记忆¶
模拟 RPG 游戏中，NPC 通过多次交互来构建对玩家角色的记忆。
主题：角色档案构建
策略：MERGE_FIELD（增量字段更新）
关键特性：多种交互类型、渐进式声誉追踪、增量技能识别
查看示例 → | 源代码
3️⃣ 语义学者¶
构建一个可搜索的研究论文库，支持语义搜索功能。可以通过内容相似性而不仅仅是关键词来发现论文。
主题：学术论文库
策略：向量搜索 + 持久化
关键特性：向量嵌入、语义搜索（需要 OpenAI API）、元数据管理
查看示例 → | 源代码
4️⃣ 多源融合¶
将来自多个系统（CRM、账单、支持、营销）的客户信息整合到一个统一的档案中，使用智能合并处理冲突。
主题：客户数据整合
策略：LLM.BALANCED 合并与冲突解决
关键特性：多系统集成、自动冲突解决、数据质量报告、来源追踪
查看示例 → | 源代码
5️⃣ 对话历史¶
展示 AI 如何通过多轮对话来维护和演进对用户的理解。
主题：对话记忆演进
策略：MERGE_FIELD 增量事实累积
关键特性：逐轮更新、增量事实累积、上下文维护
查看示例 → | 源代码
6️⃣ 时序记忆整合¶
使用组合键将一系列碎片化事件转化为单条"日汇总"记录。
主题：时间序列数据聚合
策略：时间切片 + LLM.BALANCED 合并
关键特性：日度聚合、时间分段、时间感知整合
查看示例 → | 源代码
运行示例¶
所有示例都包含在 examples/ 目录中：
# 进入 examples 目录
cd examples/
# 运行特定示例
python 01_self_improving_debugger.py
python 02_rpg_npc_memory.py
python 03_semantic_scholar.py
python 04_multi_source_fusion.py
python 05_conversation_history.py
python 06_temporal_memory_consolidation.py
# 中文版本
cd zh/
python 01_self_improving_debugger.py
功能矩阵¶
| # | 示例 | 主题 | 策略 | 复杂度 | 需要 API |
|---|---|---|---|---|---|
| 01 | 自我改进的调试器 | 错误学习 | LLM.BALANCED | ⭐⭐⭐ | 可选 |
| 02 | RPG NPC 记忆 | 角色档案 | MERGE_FIELD | ⭐⭐ | ❌ 否 |
| 03 | 语义学者 | 论文库 | 向量搜索 | ⭐⭐⭐ | ✅ 是 |
| 04 | 多源融合 | 数据整合 | LLM.BALANCED | ⭐⭐⭐⭐ | 可选 |
| 05 | 对话历史 | 聊天记忆 | MERGE_FIELD | ⭐⭐⭐ | ❌ 否 |
| 06 | 时序记忆 | 时间序列 | LLM.BALANCED | ⭐⭐⭐ | 可选 |
快速开始示例¶
查看快速开始指南了解立即可用的示例。