Memobase

核心概念

Memobase 是一种基于用户配置文件的内存系统，旨在为您的 Generative AI（GenAI）应用程序带来长期用户内存。无论您是在构建虚拟伴侣、教育工具还是个性化助手，Memobase 都能让您的 AI 记住、理解并与您的用户一起发展。

1. 它关注用户信息: 记录用户偏好、习惯、特点等
2. 时间感知: 记录信息的时间点，避免使用过时信息
3. 渐进式档案构建: 通过持续对话自然地构建和更新用户档案

流程

用户输入（Insert）

当用户在对话中发出一条新的消息（如 "Hi, I'm Gus, what a wonderful day!"）时，系统会立即将这条原始文本写入 Memobase 的输入队列。

• 这一步是"插入"操作，不做任何预处理，保证语义与上下文信息完整保留。

信息抽取（Extract）

Memobase 异步地对插入的原始文本进行 NLP 分析，抽取出多种"记忆单元"：

1. Summary（摘要）
   • 用于快速回顾该条对话的核心内容，比如"用户今天心情愉快，开场自我介绍"。
2. Tags（标签）
   • 结构化关键词，比如 {"emotion": "happy"}, {"topic": "self-introduction"}，便于后续检索。
3. Profile Patch（画像补丁）
   • 从对话中识别出可更新到用户画像的属性，如姓名、年龄、职业、公司等 {"basic_info": {"name": "Gus", "age": 26}}。

这些抽取结果会被打包成一个"记忆补丁"（memory patch），等待合并。

画像合并与组织（Merge & Organize）

Memobase 将新的"画像补丁"与已有的持久化 Profile 进行合并：

• 覆盖更新：新的同名字段（如 name）会替换旧值；
• 累积补充：不同子主题（subtopic）下的新属性会追加；
• 冲突解决：可配置策略决定何时保留历史、何时以最新为准。

结果是一个结构化的 JSON 对象，示例：

{
  "basic_info": {
    "name": "Gus",
    "age": 26
  },
  "work": {
    "title": "Software Engineer",
    "company": "Memobase"
  },
  "preferences": { ... }
}

事件日志追加（Append Event）

除了更新"静态画像"，每条对话还会按时间戳追加到**事件流（Event）**中：

• 事件条目 包含原文上下文或抽取标签，例如：

  {
    "2025-01-19": {"text": "User talked about his work…", "emotion": "tired"},
    "2025-01-20": {"text": "User told his name and age…", "emotion": "happy"}
  }

• 事件日志按时序保存，能反映用户情绪、兴趣或行为的动态变化。

检索与拼装上下文（Retrieve & Assemble）

当下次用户发问时，Memobase 会：

1. 检索画像：根据当前对话主题挑选相关 Profile 字段（如"basic_info"）。
2. 调取近期事件：取最近几条最相关的 Event，实现时序感知。
3. 拼装成"用户上下文"：将 Profile + Events 作为系统提示（system prompt）的一部分，连同用户当前输入一起送入 LLM。

个性化回应（Personalized Response）

在 LLM 收到上一步拼装后的 Prompt 后，就能基于：

• 静态画像（"你叫 Gus，今年 26 岁，在 Memobase 做工程师"）
• 动态事件（"你昨天很累、今天很开心"）

来生成更具连贯性和个性化的回答。例如：

User: "Who'm I?" LLM: "You're Gus, a 26-year-old software engineer at Memobase!"

主要特点

• 用户档案构建：根据对话内容逐步构建用户的详细档案
• 易于集成：可以通过 API 或 SDK (Python/Node/Go)与现有 LLM 应用集成
• 高效处理：使用非嵌入系统和会话缓冲区实现快速处理
• 生产就绪：已经在实际场景中得到验证

工作原理

1. 将用户对话内容添加到系统
2. 系统分析这些对话，提取关键信息
3. 生成结构化的用户档案
4. 在后续对话中利用这些档案，使 AI "记住"用户

应用场景

• 个性化助手：让 AI 记住用户偏好、习惯和历史
• 用户分析：从对话中挖掘用户行为模式和偏好
• 个性化营销：根据用户兴趣推荐产品或服务

Memobase 与 Mem0 的核心区别

• 用户中心 vs 通用记忆：Memobase 以用户为中心构建档案，采用非嵌入系统处理数据，而 Mem0 更专注于通用记忆存储和检索，通常依赖嵌入技术。
• 时间感知能力：Memobase 具备强大的时间感知功能和事件序列管理，而 Mem0 在时间相关性处理上不那么突出。
• 隐私策略：Memobase 默认采用"处理后删除原始数据"的策略以增强隐私保护，而 Mem0 通常保留更多原始数据以便后续检索。
• 适用场景：Memobase 专为长期用户交互优化，特别适合需要详细用户画像的应用，而 Mem0 更适合需要通用记忆功能的多样化场景。