GibsonAI представляет Memori: Открытый SQL-ориентированный движок памяти для ИИ-агентов
Память — это основа как человеческого интеллекта, так и ИИ-агентов. Она позволяет учиться на прошлом опыте и адаптироваться к новым ситуациям. GibsonAI разработал Memori, чтобы решить проблемы памяти, с которыми сталкиваются ИИ-агенты, позволяя им запоминать прошлые взаимодействия, предпочтения и контекст.
Безграничные возможности Memori
Современные ИИ-агенты часто работают в состоянии, когда они не могут запоминать информацию между сессиями. Это приводит к тому, что пользователи тратят 23-31% своего времени на повторное предоставление контекста. Для команды разработчиков это может означать:
- Каждый разработчик теряет около 2 часов в неделю на повторение контекста.
- Команда из 10 человек теряет около 20 часов в неделю.
- Для крупного предприятия с 1000 разработчиков это может составлять до 2000 часов в неделю или 4 миллиона долларов в год на избыточную коммуникацию.
Такое повторение снижает восприятие интеллекта ИИ, который не может запомнить детали пользователей со временем.
Проблемы современных ИИ и необходимость постоянной памяти
Современные модели ИИ не могут учиться на взаимодействиях, что приводит к повторяющимся ошибкам и нарушению рабочих процессов. Отсутствие персонализации затрудняет адаптацию пользователей, а отсутствие аудита создает проблемы с соблюдением норм.
Почему SQL важен для памяти ИИ
Memori предлагает уровень памяти, необходимый для функционирования ИИ-агентов, используя SQL-базы данных (PostgreSQL/MySQL). SQL-базы просты, надежны и универсальны. Каждый разработчик знаком с SQL, что исключает необходимость изучения новых языков запросов. Кроме того, SQL предоставляет мощные возможности для запросов и обеспечивает высокую согласованность данных.
Преимущества Memori
Memori использует структурированную экстракцию сущностей и SQL-ориентированный поиск для создания прозрачной и запрашиваемой памяти ИИ. Он позволяет любому LLM запоминать разговоры и поддерживать контекст между сессиями с помощью простой команды: memori.enable(). Система памяти хранится в стандартной базе данных SQLite, что обеспечивает портативность и контроль со стороны пользователя.
Ключевые отличия Memori
- Радикальная простота с легкой активацией памяти.
- Истинная собственность данных с памятью, хранящейся в SQL-базах, контролируемых пользователем.
- Полная прозрачность с возможностью запроса решений памяти.
- Отсутствие зависимости от поставщика, что позволяет легко экспортировать данные.
- Значительная экономия по сравнению с решениями на основе векторных баз данных.
- Готовность к соблюдению норм с возможностями аудита SQL.
Практическое применение Memori
Memori открывает новые горизонты для различных приложений:
- Умные покупки, которые запоминают предпочтения клиентов.
- Персонализированные ИИ-ассистенты, адаптирующиеся к контексту пользователя.
- Чат-боты для поддержки клиентов, которые избегают повторяющихся вопросов.
- Образовательные репетиторы, которые развиваются вместе с прогрессом студента.
- Системы управления знаниями для команд с общей памятью.
- Приложения, ориентированные на соблюдение норм, требующие аудита.
Влияние на бизнес
Ранние внедрения Memori показали значительные улучшения:
- 90% сокращение времени на внедрение системы памяти.
- 80-90% снижение затрат на инфраструктуру по сравнению с векторными базами данных.
- Производительность запросов от 10 до 50 мс, что в 2-4 раза быстрее, чем векторные поиски.
- 100% портативность данных памяти.
- Полные возможности аудита SQL с первого дня.
- Низкие затраты на обслуживание с одной системой базы данных.
Технические инновации Memori
Memori вводит три ключевые инновации:
- Двухрежимная система памяти, объединяющая сознательную рабочую память с интеллектуальным поиском.
- Универсальный интеграционный слой для бесшовной интеграции памяти в любое LLM.
- Многоагентная архитектура для совместного управления памятью.
Сравнение с существующими решениями на рынке
На рынке существуют различные решения для памяти ИИ, каждое из которых имеет свои уникальные преимущества. Mem0, например, сочетает Redis, векторные базы данных и оркестрационные слои. LangChain Memory предлагает абстракции для разработчиков в рамках своей платформы. Векторные базы данных, такие как Pinecone и Weaviate, сосредоточены на поиске семантического сходства. Однако Memori выделяется своей простотой и эффективностью.
Стратегическое видение
В то время как конкуренты выбирают сложные векторные решения, Memori ставит на практическое управление памятью с использованием проверенных SQL-баз данных. Этот подход направлен на то, чтобы сделать память ИИ такой же управляемой и портативной, как любые данные приложения.
Для получения дополнительной информации посетите страницу на GitHub. Благодарим команду GibsonAI за их лидерство в мысли и поддержку в написании этой статьи.
