- Agen saat ini menggunakan LLM yang dibatasi oleh context window yang tetap
- Memary mengatasi keterbatasan ini dengan memungkinkan agen menyimpan informasi dalam jumlah besar ke knowledge graph, menalar pengetahuan pengguna melalui modul memori, dan hanya mengambil informasi yang relevan untuk menghasilkan respons yang bermakna
- Fitur yang disediakan
- Agen perutean: menggunakan agen ReAct untuk merutekan kueri yang akan dijalankan di berbagai alat
- Pembuatan dan pencarian knowledge graph: menggunakan Neo4j untuk membuat knowledge graph yang menyimpan respons agen agar dapat dicari kembali nanti
- Aliran memori: menggunakan ekstraksi entitas untuk melacak semua entitas yang disimpan dalam knowledge graph. Aliran ini mencerminkan keluasan pengetahuan pengguna
- Penyimpanan pengetahuan entitas: mengelompokkan dan mengurutkan semua entitas dalam aliran memori lalu meneruskan N entitas teratas ke context window. Penyimpanan pengetahuan ini mencerminkan kedalaman pengetahuan pengguna
1 komentar
Kontributor utamanya ternyata orang Korea ya ;)