准备模型

1. 支持function的qwen2模型

随便找了一个，也可以下载其他支持function的模型，或者自己下载模型文件搭建

ollama run sam4096/qwen2tools

3. embedder 模型

ollama run nomic-embed-text

拉取mem0ai 源码，切换对应分支

git clone https://github.com/mem0ai/mem0.git
git checkout  user/dyadav/ollama-support

修改mem0ai 源代码，适配ollama 环境

修改这几个文件

1.ollama.yaml

http://192.168.0.24 换成ollama的ip地址

llm:
  provider: ollama
  config:
    model: 'sam4096/qwen2tools'
    temperature: 0.5
    top_p: 1
    stream: true
    base_url: 'http://192.168.0.24:11434'

embedder:
  provider: ollama
  config:
    model: 'nomic-embed-text'
    base_url: 'http://192.168.0.24:11434'

2. main.py

也简单，设置ollama.yaml 的配置文件地址，OLLAMA_HOST 设置一样的ollama ip地址

import os
from mem0 import Memory
import yaml
from mem0.memory.main import MemoryConfig
os.environ["OLLAMA_HOST"] = "http://192.168.0.24:11434"
# 从文件中加载YAML内容
with open('./ollama.yaml', 'r') as file:
    data = yaml.safe_load(file)
# Initialize Mem0
config = MemoryConfig(**data)
m = Memory(config)

# Store a memory from any unstructured text
result = m.add("我喜欢打篮球.", user_id="alice", metadata={"category": "hobbies"})
print(result)
# Created memory: Improving her tennis skills. Looking for online suggestions.

# Retrieve memories
all_memories = m.get_all()
print(all_memories)

# Search memories
related_memories = m.search(query="谁喜欢打篮球", user_id="alice")
print(related_memories)

# Update a memory
result = m.update(memory_id="1c31c369-fc8a-4c7b-b700-3550bd395308", data="我不喜欢打篮球了，喜欢踢足球")
print(result)

# Get memory history
history = m.history(memory_id="1c31c369-fc8a-4c7b-b700-3550bd395308")
print(history)

3. mem0/memory/main.py 修改这个文件的ollama 地址，源文件是写死的

写自己的ollama 地址就好

4. 修改prompts，源文件是英文的，直接换成中文，删除对于的一行

这边不换中文也可以，我习惯用中文提示词，删除 import pdb; pdb.set_trace() 需要删除掉

mem0/configs/prompts.py

UPDATE_MEMORY_PROMPT = """
你是整合、更新和组织记忆的专家。当提供现有记忆和新信息时，你的任务是合并和更新记忆列表，以反映最准确和最新的信息。您还可以获得每个现有内存与新信息的匹配分数。确保利用这些信息来做出明智的决定，决定哪些记忆需要更新或合并。

指南:
-消除重复的记忆和合并相关的记忆，以确保简洁和更新的列表。
-如果一个记忆与新的信息直接矛盾，批判性地评估这两个信息:
—如果新内存提供的更新时间较近或较准确，请更换旧内存。
-如果新的记忆看起来不准确或不太详细，保留原来的记忆，丢弃旧的记忆。
-在所有记忆中保持一致和清晰的风格，确保每个条目简洁而又有信息。
—如果新记忆是现有记忆的变化或扩展，更新现有记忆以反映新的信息。

以下是这项任务的细节:
-现有记忆:
{existing_memories}

-新内存:{memory}
"""

MEMORY_DEDUCTION_PROMPT = """
从所提供的文本中推断出事实、偏好和记忆。
只需将事实、偏好和记忆以要点形式返回即可:
自然语言文本:{user_input}
用户/代理详细信息:{metadata}

推断:推断事实、偏好和记忆的限制:

-事实、偏好和记忆应该是简洁而翔实的。
-不要以“这个人喜欢披萨”开头。相反，从“喜欢披萨”开始。
-不要记住所提供的用户/代理详细信息。只记住事实、偏好和回忆。
推断出的事实、偏好和记忆:
"""

mem0/memory/main.py

  messages=[
                {
                    "role": "system",
                    "content": "你是一个从非结构化文本中推断事实、偏好和记忆的专家。",
                },
                {"role": "user", "content": prompt},
            ]

删除掉 import pdb; pdb.set_trace()

然后直接运行 main.py 函数就可以了