Comienza con la integración de MongoDB Mem0

Instalar las dependencias.

Ejecuta los siguientes comandos en tu terminal para crear un nuevo directorio llamado mem0-mongodb-project e instalar las dependencias necesarias:

mkdir mem0-mongodb-projectcd mem0-mongodb-projectpip install mem0ai pymongo openai python-dotenv

Mem0 requiere PyMongo v4.13.2 o posterior. El comando anterior instala la última versión de PyMongo.

Establecer las variables de entorno.

En tu directorio mem0-mongodb-project, crea un archivo .env y añade el siguiente código:

OPENAI_API_KEY="<openai-api-key>"MONGODB_URI="<connection-string>"

Se debe sustituir <connection-string> por la cadena de conexión del clúster Atlas o de la implementación local de Atlas.

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

mongodb://localhost:<port-number>/?directConnection=true

Cree un archivo de proyecto.

En su directorio mem0-mongodb-project, cree un archivo llamado main.py. Añada el siguiente código a este archivo para cargar las variables de entorno:

from mem0 import Memoryfrom openai import OpenAIfrom dotenv import load_dotenvimport os
load_dotenv()

En pasos futuros, agregará código a este archivo para configurar Mem0 y compilar su asistente.

Configure MongoDB como un almacén vectorial.

Para usar MongoDB como almacén de vectores Mem0, agregue el siguiente código a su archivo main.py:

config = {    "llm": {        "provider": "openai",        "config": {            "model": "gpt-4o-mini",            "temperature": 0.1,            "max_tokens": 2000,        },    },    "embedder": {        "provider": "openai",        "config": {            "model": "text-embedding-3-small",            "embedding_dims": 1536,        },    },    "vector_store": {        "provider": "mongodb",        "config": {            "mongo_uri": os.environ["MONGODB_URI"],            "db_name": "mem0_db",            "collection_name": "agent_memory",            "embedding_model_dims": 1536,        },    },}
m = Memory.from_config(config)

Este código establece las siguientes claves en el diccionario config:

• llm: Especifica gpt-4o-mini como el modelo que extrae hechos de las conversaciones

• embedder: Especifica text-embedding-3-small como el modelo que genera las incrustaciones

• vector_store: Configura MongoDB como el almacenamiento de vectores

El índice debería tardar alrededor de un minuto en compilarse. Mientras se crea, el índice se encuentra en un estado de sincronización inicial. Cuando se termine de construir, se podrá empezar a consultar los datos de tu colección.

Almacene recuerdos de una conversación.

Añada el siguiente código para extraer y almacenar recuerdos de una conversación sobre la reubicación de un usuario:

messages = [    {"role": "user", "content": "I'm moving to Berlin next month."},    {"role": "assistant", "content": "I'll remember that you're relocating to Berlin."},]
result = m.add(messages, user_id="alice")print(result)

Cuando pasas datos de conversación al método add(), Mem0 utiliza el LLM para extraer hechos de la conversación y guarda cada hecho en tu colección como un documento de memoria independiente.

Almacenar recuerdos de una segunda conversación.

Añade el siguiente código para almacenar recuerdos de una segunda conversación, que Mem0 añade al perfil de memoria del mismo usuario:

messages = [    {"role": "user", "content": "I prefer concise answers and I use Python daily."},    {"role": "assistant", "content": "Noted. I'll keep my responses brief and Python-focused."},]
result = m.add(messages, user_id="alice")print(result)

Busque las memorias almacenadas.

Para buscar datos de memoria que respondan a una query sobre la reubicación del usuario, agregue el siguiente código a su archivo main.py:

print("\nWaiting for the MongoDB Vector Search index to finish building...")time.sleep(60)
results = m.search(    query="When is Alice moving?",    filters={"user_id": "alice"},    top_k=5,)
for mem in results["results"]:    print(mem["memory"], "- score:", mem["score"])

Antes de ejecutar la query, el código espera 60 segundos para permitir que el índice de búsqueda vectorial de MongoDB termine de crearse.

Devolver el historial completo de la memoria.

Para devolver el historial de memoria completo del usuario sin ejecutar una búsqueda semántica, agregue el siguiente código a su archivo main.py:

all_memories = m.get_all(filters={"user_id": "alice"})
for mem in all_memories["results"]:    print(mem["id"], mem["memory"])

Recuperar recuerdos y compilar el indicador del sistema.

En su archivo main.py, añada el siguiente código para definir una función que busque los recuerdos más relevantes para un mensaje y los añada al mensaje del sistema:

openai_client = OpenAI()USER_ID = "alice"
def build_system_prompt(user_message):    # Retrieve the memories that are most relevant to the message    relevant = m.search(        query=user_message,        filters={"user_id": USER_ID},        top_k=5,    )    memory_text = "\n".join(f"- {mem['memory']}" for mem in relevant["results"])
    # Add the retrieved memories to the system prompt    system_prompt = "You are a helpful personal assistant."    if memory_text:        system_prompt += (            " Use the following facts to personalize your response:\n"            f"{memory_text}"        )
    return system_prompt

Genere una respuesta y almacene el turno de conversación.

Agregue el siguiente código para definir una función que genere una respuesta personalizada y almacene el nuevo turno de conversación como recuerdos:

def chat(user_message):    # Generate a response    response = openai_client.chat.completions.create(        model="gpt-4o-mini",        messages=[            {"role": "system", "content": build_system_prompt(user_message)},            {"role": "user", "content": user_message},        ],    )    assistant_message = response.choices[0].message.content
    # Store the new conversation turn as memories    m.add(        [            {"role": "user", "content": user_message},            {"role": "assistant", "content": assistant_message},        ],        user_id=USER_ID,    )
    return assistant_message
print(chat("Can you recommend a programming meetup in my city?"))

El asistente recomienda una reunión de Python en Berlín porque recuperó la ubicación y las preferencias de lenguaje de Alice de MongoDB antes de ensamblar el prompt.