Portables Einzeldatei-Agentengedächtnis mit Memvid aufbauen
Nutzen Sie Memvid, wenn ein Agent ein lokales, portables Langzeitgedächtnis und Abrufmechanismen benötigt, ohne eine Vektordatenbank oder einen vollständigen RAG-Dienst betreiben zu müssen.
Voraussetzungen
Memvid CLI oder SDK; optionale lokale Embedding-Modelldateien für lokale Vektorsuche
Installation
Verwenden Sie den Upstream-Installations- oder Einrichtungspfad, der Ihrer Umgebung entspricht:
- git clone https://github.com/memvid/memvid.git
- cargo build
- cargo build --release
- cargo build --release --features "lex,vec,temporal_track"
Anforderungen und Hinweise aus dem Upstream:
- | Node.js SDK | npm install @memvid/sdk |
|
- | Python SDK | pip install memvid-sdk |
|
- Bildsuche mit CLIP-Embeddings (erfordert Clip-Funktion):
Grundlegende Nutzung oder Hinweise für den Einstieg:
-
MEMVID_WHISPER_MODEL=whisper-tiny-en-q8k cargo run --example test_whisper --features whisper -- audio.mp3
-
Laden Sie das Standardmodell BGE-small herunter (384 Dimensionen, schnell und effizient):
-
Quelle: https://github.com/memvid/memvid
-
Extrahiert aus Upstream-Dokumentation: https://raw.githubusercontent.com/memvid/memvid/HEAD/README.md