新闻详情

新闻详情

首页 / 资讯中心 / 详情

把旧记忆搬进Mnemosyne:mem0、Hindsight、Honcho等系统导入工具完全指南

发布时间:2026/11/13 21:10:42来源:尧图网络
把旧记忆搬进Mnemosyne:mem0、Hindsight、Honcho等系统导入工具完全指南
把旧记忆搬进Mnemosynemem0、Hindsight、Honcho等系统导入工具完全指南【免费下载链接】mnemosyneZero-cloud AI memory that works everywhere. SQLite-backed. One pure-Python dependency.项目地址: https://gitcode.com/gh_mirrors/mnemosyne5/mnemosyne如果你还在用mem0、Hindsight、Honcho这类 AI 记忆平台又想换到零云、本地优先的Mnemosyne 记忆系统这篇指南能帮你把旧记忆完整搬进新库。Mnemosyne 基于 SQLite、纯 Python 实现内置 8 个官方导入器importer支持从 mem0、Letta、Zep、Cognee、Honcho、SuperMemory、Hindsight、Holographic 直接迁移也支持 JSON 文件导入和 AI 代理辅助导出全程保留时间戳、元数据和身份标签。为什么选择 Mnemosyne 记忆导入方案换记忆系统最大的痛点是旧数据格式各异手动复制既慢又容易丢元数据。Mnemosyne 的导入器统一了这个问题保留时间戳历史记忆的时间不丢失时间衰减召回照常工作保留元数据tags、categories、importance、author 等信息映射到新库保留身份user_id / peer_id / app_id 映射为 author_id、channel_id 等先试后搬支持--dry-run演练模式只验证不写入安心试跑导入器源码位于 mnemosyne/core/importers/入口文件 importers/init.py 维护着所有支持供应商的注册表PROVIDERS。支持哪些记忆系统8 个供应商一览Mnemosyne 官方导入器覆盖的供应商如下数据来自 docs/api-reference.md供应商输入方式关键保留项mem0API key user IDuser/app 作用域、categories 标签Letta (MemGPT)AgentFile 导出记忆块、消息ZepAPI key会话、摘要、事实Cognee图数据节点→记忆边→三元组HonchoAPI keyPeer 身份映射为 author_idSuperMemoryAPI key容器标签→channel_idHindsightJSON 文件或 HTTP API时间戳、fact_type、可信度Holographic本地 SQLite 库信任分→importance、实体链接每个供应商的解析逻辑独立成文件例如 importers/mem0.py、importers/hindsight.py、importers/honcho.py方便按自己用的平台查细节。最快上手三条导入命令1️⃣ 从供应商 API 直接导入装好 Mnemosyne 后一条命令从 mem0 云端拉取全部记忆hermes mnemosyne import --from mem0 --api-key sk-xxx不确定自己环境支持哪些供应商先看清单hermes mnemosyne import --list-providers2️⃣ 从 JSON 导出文件导入如果你已经从旧平台导出了 JSON或者用下面介绍的脚本生成方式导出直接mnemosyne import file.json文件导入器会自动识别常见包装格式results、memories、data等外层键字段也做了兼容content、memory、text任一存在即可见 importers/base.py 中的import_from_file。3️⃣ Hindsight 专属命令Hindsight 导入有独立 CLI支持文件和本地 API 两种来源mnemosyne import-hindsight export.json [bank] mnemosyne import-hindsight http://localhost:8888 [bank]它会把记忆直接写入情景存储episodic memory专门保留历史时间戳避免污染工作记忆会话。导入前必做--dry-run 安全演练正式搬库前强烈建议先跑一次演练模式——只执行提取 → 校验 → 转换不落库hermes mnemosyne import --from mem0 --api-key sk-xxx --dry-run完成后查看stats确认数量符合预期hermes mnemosyne stats整个导入流水线extract → validate → transform → import定义在 importers/base.py 的BaseImporter.run()中任何一条记忆失败都会记入errors列表并在结果里汇总不会静默丢失。没有开放 API让 AI 代理帮你导出对于没有程序化导出接口的系统Mnemosyne 内置了智能迁移Agentic Importer见 importers/agentic.py生成迁移脚本hermes mnemosyne import --from zep --generate-script自动产出一份可直接运行的 Python 导出脚本生成 AI 指令把生成的指令粘贴给你的 AI 助手如 Claude它会按标准流程导出 JSON你再import进来mem0、Letta、Zep、Cognee、Honcho、SuperMemory 都有现成的脚本模板其余供应商会生成通用模板只需替换提取逻辑。导入结果的五个关键数字每次导入返回统一的ImporterResult统计total源端找到的记忆总数imported成功写入skipped重复或空内容被跳过failed写入失败errors错误明细最多展示 20 条看到这五个数字你就能判断迁移是否完整。若skipped偏多多半是旧库里本身有重复属正常现象。常见问题速查Q导入后召回效果和原来一样吗记忆内容和元数据都保留了向量索引由 Mnemosyne 自己的嵌入引擎重建Holographic 导入时不搬运 HRR 向量而是重新生成。Q旧平台还在用能增量导入吗可以重复执行导入命令内容哈希去重会跳过已存在的记忆。Q想分库管理旧记忆怎么办导入支持--session、--channel等覆盖参数也可配合mnemosyne bank create work建独立记忆库隔离迁移数据。更多命令细节见官方文档 docs/cli-reference.md 与 docs/api-reference.md。换库不折腾一条命令把 mem0、Hindsight、Honcho 的旧记忆全部搬进 Mnemosyne。 【免费下载链接】mnemosyneZero-cloud AI memory that works everywhere. SQLite-backed. One pure-Python dependency.项目地址: https://gitcode.com/gh_mirrors/mnemosyne5/mnemosyne创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉