快速开始¶
5 分钟快速上手 OntoMem。
安装¶
使用 pip¶
pip install ontomem
使用 uv（推荐）¶
uv add ontomem
开发环境设置¶
# 克隆仓库
git clone https://github.com/yifanfeng97/ontomem.git
cd ontomem
# 安装包含开发依赖
uv sync --group dev
你的第一个记忆系统¶
第 1 步：定义模式¶
from pydantic import BaseModel
from typing import List, Optional
from datetime import datetime
class ResearcherProfile(BaseModel):
"""研究人员档案。"""
name: str # 作为键
affiliation: str
research_interests: List[str]
publications: List[str]
last_updated: Optional[datetime] = None
第 2 步：初始化 OntoMem¶
from ontomem import OMem, MergeStrategy
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
# 创建记忆实例
memory = OMem(
memory_schema=ResearcherProfile,
key_extractor=lambda x: x.name, # 使用名字作为唯一键
llm_client=ChatOpenAI(model="gpt-4o"),
embedder=OpenAIEmbeddings(),
strategy_or_merger=MergeStrategy.MERGE_FIELD # 从简单开始
)
第 3 步：添加数据¶
# 添加研究人员档案
memory.add(ResearcherProfile(
name="Yann LeCun",
affiliation="Meta AI",
research_interests=["深度学习", "卷积网络"],
publications=["反向传播应用于手写邮编识别"]
))
memory.add(ResearcherProfile(
name="Yoshua Bengio",
affiliation="Mila",
research_interests=["深度学习", "AI安全"],
publications=["通过反向传播学习表示"]
))
第 4 步：查询¶
# 获取精确匹配
researcher = memory.get("Yann LeCun")
print(f"找到: {researcher.name}")
print(f"研究兴趣: {researcher.research_interests}")
自动整合示例¶
这就是 OntoMem 的亮点——自动合并碎片化数据：
# 第 1 天：了解 Yann LeCun
memory.add(ResearcherProfile(
name="Yann LeCun",
affiliation="Meta AI",
research_interests=["深度学习"],
publications=["图像识别的 CNN"]
))
# 第 2 天：关于同一个人的新信息
memory.add(ResearcherProfile(
name="Yann LeCun",
affiliation="Meta AI", # 相同
research_interests=["卷积网络"], # 新细节
publications=["反向传播论文"] # 额外论文
))
# 查询整合后的记录
profile = memory.get("Yann LeCun")
print(profile.research_interests)
# 输出: ["深度学习", "卷积网络"]
# 输出: ["图像识别的 CNN", "反向传播论文"]
构建语义搜索索引¶
# 构建向量索引
memory.build_index()
# 现在可以按语义搜索
results = memory.search("机器学习神经网络", top_k=5)
for researcher in results:
print(f"- {researcher.name}: {researcher.research_interests}")
保存和恢复¶
# 保存整个记忆状态
memory.dump("./my_researcher_memory")
# 稍后，在新的 Python 会话中：
new_memory = OMem(
memory_schema=ResearcherProfile,
key_extractor=lambda x: x.name,
llm_client=ChatOpenAI(model="gpt-4o"),
embedder=OpenAIEmbeddings(),
)
# 恢复
new_memory.load("./my_researcher_memory")
# 继续工作
researcher = new_memory.get("Yann LeCun")
print(researcher.research_interests) # 仍在这里！