随着人工智能的迅速发展，AI问答模型在各类应用场景中表现出色，特别是在信息检索和知识问答领域，传统的检索增强生成（RAG）模型通过结合外部知识库的实时检索和生成技术，显著提高了回答的准确性。然而，这类模型在处理长期信息上存在局限，尤其是在需要持续记忆和动态更新知识的复杂场景中表现欠佳。
为应对这一挑战，MemoRAG应运而生。MemoRAG不仅继承了RAG模型的优势，还通过引入“长期记忆”机制，突破了AI模型对历史信息的局限，使其能够更好地应对复杂问题和长时间任务的需求。MemoRAG通过将信息存储为“记忆”，实现对长期数据的动态更新和检索，从而在个性化问答、知识管理以及任务跟踪等方面展现出显著优势。其“长期记忆”机制不仅使模型更具灵活性，还能更精准地响应用户的动态信息需求。
本文将深入探讨MemoRAG的核心技术原理及其应用场景，并分析MemoRAG如何通过“长期记忆”重塑AI问答模型的能力。我们还将对比MemoRAG与其他RAG模型的不同之处，展示其在未来人工智能发展中的潜力和价值。
MemoRAG 是一个创新的 RAG 框架，建立在高效、超长的内存模型之上。与主要处理具有明确信息需求的查询的标准 RAG 不同，MemoRAG 利用其内存模型来实现对整个数据库的全局理解。通过从记忆中调用特定于查询的线索，MemoRAG 增强了证据检索，从而生成更准确且上下文更丰富的响应。
要使用 Memorizer 和 MemoRAG，您需要安装 Python 以及所需的库。您可以使用以下命令安装必要的依赖项：
pip install torch==2.3.1conda install -c pytorch -c nvidia faiss-gpu=1.8.0
MemoRAG 易于使用，可以直接使用 HuggingFace 模型进行初始化。通过使用 MemoRAG.memorize（） 方法，内存模型在较长的 input 上下文中构建全局内存。根据经验，使用默认参数设置， TommyChien/memorag-qwen2-7b-inst 可以处理多达 400K 个令牌的上下文，同时 TommyChien/memorag-mistral-7b-inst 可以管理多达 128K 个令牌的上下文。通过增加 beacon_ratio 参数，可以扩展模型处理较长上下文的能力。例如， TommyChien/memorag-qwen2-7b-inst 可以处理多达 100 万个令牌（beacon_ratio=16）。
from memorag import MemoRAG# Initialize MemoRAG pipelinepipe = MemoRAG(mem_model_name_or_path="TommyChien/memorag-mistral-7b-inst",ret_model_name_or_path="BAAI/bge-m3",gen_model_name_or_path="mistralai/Mistral-7B-Instruct-v0.2", # Optional: if not specify, use memery model as the generatorcache_dir="path_to_model_cache", # Optional: specify local model cache directoryaccess_token="hugging_face_access_token", # Optional: Hugging Face access tokenbeacon_ratio=4)context = open("examples/harry_potter.txt").read()query = "How many times is the Chamber of Secrets opened in the book?"# Memorize the context and save to cachepipe.memorize(context, save_dir="cache/harry_potter/", print_stats=True)# Generate response using the memorized contextres = pipe(context=context, query=query, task_type="memorag", max_new_tokens=256)print(f"MemoRAG generated answer: \n{res}")
运行上述代码时，编码的键值 （KV） 缓存、Faiss 索引和分块段落存储在指定的save_dir中。之后，如果再次使用相同的上下文，则可以从磁盘快速加载数据：
pipe.load("cache/harry_potter/", print_stats=True)更多内容参考项目：https://github.com/qhjqhj00/MemoRAG
