--- title: MemFeedback desc: "MemFeedback 是你的“记忆错题本”,让你的 Agent 能够听懂“你记错了”,并自动修正记忆库。它是实现记忆自进化的关键组件。" --- ## 1. 简介 **MemFeedback** 是 MemOS 的“后悔药”。 在长时记忆系统中,最头疼的往往不是“记不住”,而是“记错了改不掉”。当用户说“不,我的生日是明天”或者“把这个项目的代号改成 X”时,简单的 RAG 系统通常无能为力。 MemFeedback 能够听懂这些自然语言指令,自动去数据库里精准定位冲突的记忆,并执行原子级的修正操作(比如把旧记忆归档、写入新记忆)。通过它,你的 Agent 能够像人一样在交流中不断纠错和学习。 --- ## 2. 核心能力 它能处理四种常见的反馈场景: ### 纠错 (Correction) 用户指出事实错误。系统不会粗暴地删除旧数据,而是将其**归档 (Archive)**,并写入新数据。这样既修正了错误,又保留了版本历史(Traceability)。如果是正在进行的对话(WorkingMemory),则直接原地更新,保证上下文连贯。 ### 补充 (Addition) 如果用户只是补充了新信息,且与旧记忆不冲突,那就很简单——直接作为新节点存入记忆库。 ### 全局替换 (Keyword Replacement) 类似于 IDE 里的“全局重构”。比如用户说“把所有文档里的‘张三’都改成‘李四’”,系统会结合 Reranker 自动圈定受影响的文档范围,批量更新所有相关记忆。 ### 偏好进化 (Preference Evolution) 专门处理“我不吃香菜”、“我喜欢 Python”这类偏好。系统会记录下这个偏好产生的场景,不断丰富用户画像,让 Agent 越用越顺手。 --- ## 3. 代码结构 核心逻辑都在 `memos/src/memos/mem_feedback/` 下。 * **`simple_feedback.py`**: **推荐直接看这个**。它是官方封装好的版本,把 LLM、向量数据库、检索器都组装好了,开箱即用。 * **`feedback.py`**: 核心实现类 `MemFeedback`。脏活累活都在这儿:意图识别、冲突比对、安全风控。 * **`base.py`**: 接口定义。 * **`utils.py`**: 工具箱。 --- ## 4. 关键接口 主入口就一个:`process_feedback()`。通常在 RAG 流程结束、用户给出反馈后异步调用。 ### 4.1 输入参数 | 参数 | 说明 | | :--- | :--- | | `user_id` / `user_name` | 用户标识与 Cube ID。 | | `chat_history` | 对话历史,让 LLM 知道你们刚才聊了啥。 | | `feedback_content` | 用户说的那句反馈(比如“不对,是五点”)。 | | **`retrieved_memory_ids`** | **必填项(强烈建议)**。把上一轮 RAG 检索到的记忆 ID 传进来,相当于给了系统一个“靶子”,告诉它要修正哪条记忆。如果不传,系统得自己去海量记忆里重新搜,不仅慢,还容易改错。 | | `corrected_answer` | 是否顺便生成一句修正后的回复。 | ### 4.2 输出结果 返回一个字典,告诉你这次操作改了什么: * **`record`**: 数据库变更明细(比如 `{ "add": [...], "update": [...] }`)。 * **`answer`**: 给用户的自然语言回复。 --- ## 5. 工作流程 MemFeedback 的工作流程像是一个严谨的编辑部: 1. **审稿 (意图识别)**: 先看用户是在纠错、补充信息,还是在改名。 2. **定位 (召回)**: 找到要修改的那条记忆(如果你传了 ID,这步就省了)。 3. **校对 (比对)**: 让 LLM 仔细比对新旧信息,确定是完全新增 (ADD) 还是需要更新 (UPDATE)。 4. **风控 (安全检查)**: 防止 LLM 瞎改。比如 ID 对不对?是不是要把一篇长文档全删了?(会有阈值拦截)。 5. **出版 (写入)**: 最后执行图数据库操作,归档旧的,写入新的。 --- ## 6. 开发示例 这里有一份可运行的代码清单,展示了如何初始化服务、预置一个“错误记忆”,然后通过用户反馈将其修正。 ### 6.1 准备工作 首先,我们需要初始化 `SimpleMemFeedback` 服务。 ```python # 假设 llm, embedder, graph_db 等组件已通过 Factory 初始化完成 # 完整初始化代码请参考 examples/mem_feedback/example_feedback.py from memos.mem_feedback.simple_feedback import SimpleMemFeedback feedback_server = SimpleMemFeedback( llm=llm, embedder=embedder, graph_store=graph_db, memory_manager=memory_manager, mem_reader=mem_reader, searcher=searcher, reranker=mem_reranker, pref_mem=None, ) ``` ### 6.2 模拟场景与执行反馈 场景:系统错误地记住了“你喜欢苹果,不喜欢香蕉”,现在我们要纠正它。 ```python import json from memos.mem_feedback.utils import make_mem_item # 1. 模拟对话历史 # 用户问偏好,助手答错了 history = [ {"role": "user", "content": "我喜欢什么水果,不喜欢什么水果"}, {"role": "assistant", "content": "你喜欢苹果,不喜欢香蕉"}, ] # 2. 预置“错误记忆” # 我们手动往库里塞一条错误的事实 mem_text = "你喜欢苹果,不喜欢香蕉" # ... (省略 make_mem_item 的详细参数,见源码) ... memory_manager.add([make_mem_item(mem_text, ...)], ...) # 3. 用户反馈 feedback_content = "错了,实际上我喜欢的是山竹" print(f"Feedback Input: {feedback_content}") # 4. 执行修正 # MemFeedback 会发现冲突,把旧记忆归档,写入新记忆“喜欢山竹” res = feedback_server.process_feedback( ..., chat_history=history, feedback_content=feedback_content, ... ) # 5. 查看结果 print(json.dumps(res, indent=4)) ``` --- ## 7. 配置说明 要让 MemFeedback 转起来,你需要准备好以下组件的配置(通常在 `.env` 或 YAML 里): * **LLM (`extractor_llm`)**: 脑子要好使,建议用 GPT-4o 级别的模型。Temperature 设低点(比如 0),因为它要干的是逻辑分析,不需要太发散。 * **Embedder (`embedder`)**: 用于把新记忆变成向量。 * **GraphDB (`graph_db`)**: 记忆存在哪、怎么存,这两兄弟负责。 * **MemReader (`mem_reader`)**: 如果是纯新增的记忆,用它来解析。 ---