十分钟搭建 MemGPT 记忆智能体从部署到第一次对话【免费下载链接】MemGPTPlatform for stateful agents: AI with advanced memory that can learn and self-improve over time.项目地址: https://gitcode.com/GitHub_Trending/me/MemGPTLLM 的上下文窗口有明确上限多轮对话一长早期信息就会丢失。MemGPT现更名 Letta让记忆智能体具备长期记忆它用虚拟上下文管理解决 LLM上下文扩展 问题把智能体状态持久化到数据库。这篇 MemGPT快速入门 带你完成智能体记忆搭建十分钟跑起第一个能跨会话记住信息的记忆智能体。虚拟上下文管理长期记忆从哪来把模型的上下文窗口当作内存把数据库当作磁盘这就是虚拟上下文管理的思路。智能体在运行时自主决定哪些信息常驻上下文核心记忆哪些压缩后移入数据库归档记忆需要时再检索回上下文。单个智能体能承载的信息量因此不再受一次请求的 token 数限制跨会话的长期记忆由此成立。Docker 一键启动 MemGPT 服务器本机只需要 Docker 和一个大模型的 API 密钥。先创建数据目录保证容器重启后智能体状态仍然保留再启动服务器最后安装 Python 客户端。命令按执行顺序给出mkdir -p ~/.letta/.persist/pgdatadocker run \ -v ~/.letta/.persist/pgdata:/var/lib/postgresql/data \ -p 8283:8283 \ -e OPENAI_API_KEY你的API密钥 \ letta/letta:latest服务器在前台阻塞运行另开一个终端执行curl http://localhost:8283看到 Letta Server 的提示即表示启动成功也可以在浏览器打开http://localhost:8283/v1查看接口文档。客户端安装只需要一条命令pip install letta-client创建第一个记忆智能体并发起对话下面的示例做三件事连接本地服务器、创建一个带基本人设的智能体、发一条消息。from letta_client import CreateBlock, Letta, MessageCreate client Letta(base_urlhttp://localhost:8283) agent client.agents.create( memory_blocks[CreateBlock(labelhuman, value姓名张三)], modelopenai/gpt-4o-mini, embeddingopenai/text-embedding-3-small, )其中memory_blocks是智能体的核心记忆labelhuman的块会作为模型始终可见的人物卡。拿到agent.id后就可以发消息了返回结果的messages里最后一条是智能体的回复reply client.agents.messages.create( agent_idagent.id, messages[MessageCreate(roleuser, content你好请介绍一下你自己)], ) print(reply.messages[-1].content)更新与检索智能体的长期记忆智能体的记忆分两层。核心记忆memory block常驻上下文模型可以在对话中自己改写也可以由你直接更新client.agents.memory.update( agent_idagent.id, blocks[CreateBlock(labelhuman, value姓名张三\n职业数据分析师)], )归档记忆存在数据库里体量可以很大用 search 接口按自然语言检索即可client.agents.memory.search(agent_idagent.id, query职业)进阶方向自定义工具与 ADE 图形界面自定义工具把一个带 docstring 的普通 Python 函数交给client.tools.upsert_from_function服务器会解析函数签名和文档字符串生成工具描述创建智能体时通过tool_ids挂上智能体就能在对话中调用它。ADE 图形界面在浏览器打开 ADE 控制台并选择连接本地服务器localhost:8283即可在网页里创建智能体、查看和编辑记忆块、测试工具适合不想写代码的调试场景。部署与使用中的常见坑8283 端口没有响应——先执行docker ps确认容器在运行再确认端口未被其它进程占用需要改端口时用-p 8284:8283客户端base_url同步修改。模型调用报 401 或超时——OPENAI_API_KEY没有传对检查docker run时的-e参数换用 vLLM、Ollama 等其它 provider 时需要在服务端单独配置对应端点。智能体或记忆消失——所有状态都在容器的 PostgreSQL 里挂载到~/.letta/.persist/pgdata。容器删了、目录还在数据就还在目录被删则全部丢失建议定期备份该目录。分不清 MemGPT 和 Letta——两者是同一系统MemGPT 是原名指智能体的记忆技术Letta 是服务器与运行时的名称当前 API 与文档以 Letta 为准。完整的 API 参考、多智能体与工具配置的细节Letta 官方文档里有专门章节遇到具体报错先查那里。下一步可以试多智能体协作、领域专用工具或把记忆智能体嵌入现有应用。【免费下载链接】MemGPTPlatform for stateful agents: AI with advanced memory that can learn and self-improve over time.项目地址: https://gitcode.com/GitHub_Trending/me/MemGPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 十分钟搭建 MemGPT 记忆智能体：从部署到第一次对话
十分钟搭建 MemGPT 记忆智能体从部署到第一次对话【免费下载链接】MemGPTPlatform for stateful agents: AI with advanced memory that can learn and self-improve over time.项目地址: https://gitcode.com/GitHub_Trending/me/MemGPTLLM 的上下文窗口有明确上限多轮对话一长早期信息就会丢失。MemGPT现更名 Letta让记忆智能体具备长期记忆它用虚拟上下文管理解决 LLM上下文扩展 问题把智能体状态持久化到数据库。这篇 MemGPT快速入门 带你完成智能体记忆搭建十分钟跑起第一个能跨会话记住信息的记忆智能体。虚拟上下文管理长期记忆从哪来把模型的上下文窗口当作内存把数据库当作磁盘这就是虚拟上下文管理的思路。智能体在运行时自主决定哪些信息常驻上下文核心记忆哪些压缩后移入数据库归档记忆需要时再检索回上下文。单个智能体能承载的信息量因此不再受一次请求的 token 数限制跨会话的长期记忆由此成立。Docker 一键启动 MemGPT 服务器本机只需要 Docker 和一个大模型的 API 密钥。先创建数据目录保证容器重启后智能体状态仍然保留再启动服务器最后安装 Python 客户端。命令按执行顺序给出mkdir -p ~/.letta/.persist/pgdatadocker run \ -v ~/.letta/.persist/pgdata:/var/lib/postgresql/data \ -p 8283:8283 \ -e OPENAI_API_KEY你的API密钥 \ letta/letta:latest服务器在前台阻塞运行另开一个终端执行curl http://localhost:8283看到 Letta Server 的提示即表示启动成功也可以在浏览器打开http://localhost:8283/v1查看接口文档。客户端安装只需要一条命令pip install letta-client创建第一个记忆智能体并发起对话下面的示例做三件事连接本地服务器、创建一个带基本人设的智能体、发一条消息。from letta_client import CreateBlock, Letta, MessageCreate client Letta(base_urlhttp://localhost:8283) agent client.agents.create( memory_blocks[CreateBlock(labelhuman, value姓名张三)], modelopenai/gpt-4o-mini, embeddingopenai/text-embedding-3-small, )其中memory_blocks是智能体的核心记忆labelhuman的块会作为模型始终可见的人物卡。拿到agent.id后就可以发消息了返回结果的messages里最后一条是智能体的回复reply client.agents.messages.create( agent_idagent.id, messages[MessageCreate(roleuser, content你好请介绍一下你自己)], ) print(reply.messages[-1].content)更新与检索智能体的长期记忆智能体的记忆分两层。核心记忆memory block常驻上下文模型可以在对话中自己改写也可以由你直接更新client.agents.memory.update( agent_idagent.id, blocks[CreateBlock(labelhuman, value姓名张三\n职业数据分析师)], )归档记忆存在数据库里体量可以很大用 search 接口按自然语言检索即可client.agents.memory.search(agent_idagent.id, query职业)进阶方向自定义工具与 ADE 图形界面自定义工具把一个带 docstring 的普通 Python 函数交给client.tools.upsert_from_function服务器会解析函数签名和文档字符串生成工具描述创建智能体时通过tool_ids挂上智能体就能在对话中调用它。ADE 图形界面在浏览器打开 ADE 控制台并选择连接本地服务器localhost:8283即可在网页里创建智能体、查看和编辑记忆块、测试工具适合不想写代码的调试场景。部署与使用中的常见坑8283 端口没有响应——先执行docker ps确认容器在运行再确认端口未被其它进程占用需要改端口时用-p 8284:8283客户端base_url同步修改。模型调用报 401 或超时——OPENAI_API_KEY没有传对检查docker run时的-e参数换用 vLLM、Ollama 等其它 provider 时需要在服务端单独配置对应端点。智能体或记忆消失——所有状态都在容器的 PostgreSQL 里挂载到~/.letta/.persist/pgdata。容器删了、目录还在数据就还在目录被删则全部丢失建议定期备份该目录。分不清 MemGPT 和 Letta——两者是同一系统MemGPT 是原名指智能体的记忆技术Letta 是服务器与运行时的名称当前 API 与文档以 Letta 为准。完整的 API 参考、多智能体与工具配置的细节Letta 官方文档里有专门章节遇到具体报错先查那里。下一步可以试多智能体协作、领域专用工具或把记忆智能体嵌入现有应用。【免费下载链接】MemGPTPlatform for stateful agents: AI with advanced memory that can learn and self-improve over time.项目地址: https://gitcode.com/GitHub_Trending/me/MemGPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考