25-Day 6 长期记忆 —— 接触向量数据库

📅 Day 6：长期记忆 —— 向量数据库入门

让 Agent 记住“用户偏好”，而不仅是对话历史

---

🎯 教学目标

1. 理解长期记忆 vs 短期记忆的区别
2. 掌握向量数据库（FAISS）的基本用法
3. 学会用文本嵌入（Embedding）实现语义检索
4. 完成一个可运行的“偏好记忆”小系统
5. 为 Day 7（Agent + 长期记忆）打下基础

---

🔍 核心概念讲解

向量数据库的概念

[🎥 打开向量数据库视频](file:///D:/24-python-AI%20Agent/%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E6%8A%80%E6%9C%AF.mp4)

❓ 为什么需要“长期记忆”？

• 对话历史（SQLite）只能记住说过什么，但无法回答：
  • “我上次说喜欢什么？”
  • “我对开会的态度是什么？”
• 长期记忆 = 用户偏好的知识库，需支持语义模糊匹配

💡 向量数据库如何工作？

原始文本 → [嵌入模型] → 高维向量 → 存入 FAISS
查询文本 → [嵌入模型] → 向量 → 在 FAISS 中找最近邻 → 返回原文

✅ 为什么选 FAISS？

FAISS（Facebook AI Similarity Search）是由 Facebook AI 团队开发的一个高效、开源的向量相似性搜索库，主要用于在大规模高维向量数据集中快速查找最相似的向量。它广泛应用于推荐系统、图像检索、自然语言处理（如语义搜索）、聚类等需要进行近似最近邻（Approximate Nearest Neighbor, ANN）搜索的场景。

• Facebook 开源，纯 Python 支持（langchain-community）
• 内存存储，无需部署数据库
• 适合小规模、本地实验

⚠️ 注意：FAISS 不持久化！程序退出后数据丢失（下一篇 会解决）

---

💻 实验：构建你的第一个向量记忆系统

步骤 1：准备环境

# 进入项目目录
mkdir -p day06 && cd day06

python3 -m venv vector_memory

# 激活虚拟环境（延续 Day5）
source vector_memory/bin/activate

# 安装依赖
pip install \
    langchain \
    langchain-community \
    langchain-openai \
    python-dotenv \
    -i https://mirrors.aliyun.com/pypi/simple/
    
pip install    \
    faiss-cpu  \
    dashscope  \
    -i https://mirrors.aliyun.com/pypi/simple/

# 创建 .env 文件
echo "DASHSCOPE_API_KEY=（替换为您的实际API Key）" > .env

---

步骤 2：编写 vector_memory.py

当然可以！以下是在不改变原有逻辑的基础上，将你的 vector_memory.py 升级为 交互式 CLI 程序的版本。用户可以：

• 动态添加记忆（如“我喜欢看电影”）
• 随时查询语义相关记忆（如“我讨厌什么？”）
• 输入 quit 退出

这样实验过程更有“Agent 记忆”的感觉，也便于课堂演示。

---

tee vector_memory.py <<'EOF'
# day06/vector_memory.py
# 使用 DashScope 原生 API + 适配新版 LangChain 的向量记忆系统

import os
from dotenv import load_dotenv
import dashscope
from dashscope import TextEmbedding
from langchain_community.vectorstores import FAISS
from langchain_core.embeddings import Embeddings
from typing import List

# 加载环境变量
load_dotenv()
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

class DashScopeEmbeddings(Embeddings):
    def __init__(self, model: str = "text-embedding-v2"):
        self.model = model

    def embed_documents(self, texts: List[str]) -> List[List[float]]:
        texts = [t for t in texts if t.strip()]
        if not texts:
            return []
        response = TextEmbedding.call(
            model=self.model,
            input=texts
        )
        if response.status_code != 200:
            raise RuntimeError(f"Embedding failed: {response}")
        return [item["embedding"] for item in response.output["embeddings"]]

    def embed_query(self, text: str) -> List[float]:
        return self.embed_documents([text])[0]

# 初始化
embeddings = DashScopeEmbeddings(model="text-embedding-v2")
initial_memories = [
    "用户喜欢喝美式咖啡",
    "用户住在杭州"
]

print("🧠 向量记忆系统启动中...")
vectorstore = FAISS.from_texts(initial_memories, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

print("✅ 系统就绪！")
print("\n💡 使用说明：")
print("  - 输入陈述句（如“我讨厌开会”）→ 保存为记忆")
print("  - 输入问句（如“我喜欢什么？”）→ 检索相关记忆")
print("  - 输入 'quit' 退出\n")

while True:
    try:
        user_input = input("🗨️  请输入: ").strip()
    except (KeyboardInterrupt, EOFError):
        print("\n👋 再见！")
        break

    if not user_input:
        continue

    if user_input.lower() == "quit":
        print("👋 再见！")
        break

    # 判断是否为查询（问句）
    if user_input.endswith('?') or any(w in user_input for w in ["什么", "怎么", "是否", "吗", "呢", "为什么", "谁"]):
        print(f"\n🔍 检索: 「{user_input}」")
        docs = retriever.invoke(user_input)  # ✅ 关键修复：用 .invoke() 替代 .get_relevant_documents()
        if docs:
            print("✅ 找到记忆:")
            for i, doc in enumerate(docs, 1):
                print(f"  {i}. {doc.page_content}")
        else:
            print("❌ 无相关记忆")
        print()
    else:
        # 规范化记忆文本
        if user_input.startswith("我"):
            memory_text = "用户" + user_input[1:]
        elif not user_input.startswith("用户"):
            memory_text = "用户" + user_input
        else:
            memory_text = user_input

        vectorstore.add_texts([memory_text])
        print(f"💾 已保存: 「{memory_text}」\n")
EOF

---

✨ 功能亮点

功能	说明
智能判断输入类型	以 ? 或疑问词（什么/吗/呢）结尾 → 查询；否则 → 添加记忆
自动规范化记忆文本	将“我喜欢吃苹果”转为“用户喜欢吃苹果”，保持格式统一
返回 Top-3 结果	避免只看第一条，提升语义覆盖
友好提示	清晰区分“存”和“查”操作

---

🧪 测试

💡先输入几条偏好，再用不同问法测试召回能力，感受“语义匹配” vs “关键词匹配”的区别。

架构正确，只是数据质量和检索策略需要优化