Skip to content

README.tr.md

Latest commit

 

History

History
550 lines (394 loc) · 25.3 KB

README.tr.md

File metadata and controls

550 lines (394 loc) · 25.3 KB
Raw
simplemem logosu

LLM Ajanları için Verimli Ömür Boyu Bellek — Metin & Çok Modlu

Anlamsal kayıpsız sıkıştırma ile uzun vadeli anıları depolayın, sıkıştırın ve geri alın. Artık metin, görüntü, ses ve video için çok modlu destek sunulmaktadır.

MCP'yi destekleyen herhangi bir yapay zeka platformuyla (metin belleği) veya Python entegrasyonuyla (tam çok modlu) çalışır

Claude Desktop
Claude Desktop 		Cursor
Cursor 		LM Studio
LM Studio 		Cherry Studio
Cherry Studio 		PyPI
PyPI Paketi 		+ Herhangi Bir MCP
İstemcisi

🔥 Haberler

  • [05/21/2026] 📦 Birleşik simplemem paketi — tek içe aktarma, otomatik yönlendirme! SimpleMem, Omni-SimpleMem ve EvolveMem artık tek bir pakette buluşuyor. from simplemem import SimpleMem ifadesi, ilk çağırdığınız yönteme göre metin veya çok modlu arka ucu otomatik olarak seçer; simplemem.optimize(...) ise EvolveMem'in öz-evrim döngüsünden yararlanır. pip install -e . komutuyla tek adımda yükleyin.
  • [05/14/2026] 🧬 EvolveMem (v3.0) — AutoResearch ile Öz-Evrilen Bellek! Geri alma altyapısının kendisi artık LLM güdümlü kapalı döngü tanı yoluyla öz-evrim geçiriyor. LoCoMo'da EvolveMem, en güçlü referans değeri +%25,7 göreli oranında geride bırakıyor; MemBench'te ise +%18,9 göreli. Sistem, orijinal tasarımda bulunmayan tamamen yeni geri alma boyutları keşfediyor. EvolveMem'i Görüntüle →
  • [04/02/2026] 🧠 Omni-SimpleMem (v2.0) — Çok Modlu Bellek Geliyor! SimpleMem artık metin, görüntü, ses ve video belleğini destekliyor. Bir önceki en iyi sonuca kıyasla LoCoMo'da yeni SOTA (F1=0,613, +%47) ve Mem-Gallery'de (F1=0,810, +%51) elde ediliyor. Omni-SimpleMem'i Görüntüle →
  • [02/09/2026] 🚀 Oturumlar Arası Bellek — Claude-Mem'i %64 Geride Bırakıyor! Oturumlar Arası Belgeleri Görüntüle →
  • [01/20/2026] 📦 SimpleMem artık PyPI'da mevcut! pip install simplemem komutuyla yükleyin. Paket Kullanım Kılavuzunu Görüntüle →
  • [01/14/2026] 🎉 SimpleMem MCP Sunucusu YAYINDA! mcp.simplemem.cloud adresinde bulut barındırmalı olarak hizmet veriyor. MCP Belgelerini Görüntüle →
  • [01/05/2026] SimpleMem makalesi arXiv üzerinde yayımlandı!

📑 İçindekiler

🚀 Hızlı Başlangıç

🧠 Temel İş Akışını Anlamak

Üst düzeyde bakıldığında, SimpleMem LLM tabanlı ajanlar için bir uzun süreli bellek sistemi olarak çalışır. İş akışı üç basit adımdan oluşur:

  1. Bilgiyi depola – Diyaloglar veya olgular işlenerek yapılandırılmış, atomik anılara dönüştürülür.
  2. Belleği indeksle – Depolanan anılar, anlamsal gömme ve yapılandırılmış meta veriler kullanılarak düzenlenir.
  3. İlgili anıyı geri al – Bir sorgu yapıldığında, SimpleMem anahtar sözcükler yerine anlama dayalı olarak en alakalı depolanmış bilgiyi getirir.

Bu tasarım, LLM ajanlarının bağlamı korumalarına, geçmiş bilgileri verimli biçimde hatırlamalarına ve gereksiz geçmişi tekrar tekrar işlemekten kaçınmalarına olanak tanır.

🎓 Temel Kullanım

SimpleMem tek bir simplemem paketi olarak sunulmaktadır. Varsayılan mode="auto" seçeneği, çağırdığınıza göre hangi arka ucun kullanılacağını otomatik olarak algılar — manuel yapılandırma gerekmez:

from simplemem import SimpleMem

mem = SimpleMem()  # mode="auto" — ilk çağrıya göre arka uç seçilir

İlk çağırdığınız yöntem arka ucu belirler:

İlk çağrı Seçilen arka uç Neden
add_dialogue() Metin (SimpleMem) Diyalog tabanlı API → metin modu
add_text() / add_image() / add_audio() / add_video() Omni (Omni-SimpleMem) Çok modlu API → omni modu

📝 Otomatik → Metin (yalnızca metin girişi)

from simplemem import SimpleMem

mem = SimpleMem()  # auto mode

# add_dialogue() → metin arka ucu otomatik seçilir
mem.add_dialogue(
    "Alice",
    "Bob, let's meet at Starbucks tomorrow at 2pm",
    "2025-11-15T14:30:00",
)
mem.add_dialogue(
    "Bob",
    "Sure, I'll bring the market analysis report",
    "2025-11-15T14:31:00",
)
mem.finalize()

answer = mem.ask("When and where will Alice and Bob meet?")
# → "16 November 2025 at 2:00 PM at Starbucks"

🧠 Otomatik → Omni (çok modlu girdi)

from simplemem import SimpleMem

mem = SimpleMem()  # auto mode

# add_image() → omni arka ucu otomatik seçilir
mem.add_text(
    "User loves hiking in the Rocky Mountains.",
    tags=["session_id:D1"],
)
mem.add_image("photo.jpg", tags=["session_id:D1"])
mem.add_audio("voice_note.wav", tags=["session_id:D1"])

result = mem.query("What does the user enjoy?", top_k=5)
for item in result.items:
    print(item["summary"])

mem.close()

💡 İpucu: Otomatik mod, verilerinize uyan en hafif arka ucu seçer. İsterseniz açıkça mode="text" veya mode="omni" kullanabilirsiniz.

🧬 Gelişmiş: Geri Alma Yapılandırmasını Optimize Etme

Geri alma hiper parametrelerini çevrimdışı olarak kendi geliştirme setinizde ayarlayın, ardından elde edilen Config'i çıkarım için dağıtın. Bu, EvolveMem'in öz-evrim döngüsünü saran ince bir sarmalayıcıdır:

import simplemem
from simplemem import SimpleMem, load_config

# mem, anılar zaten oluşturulmuş tamamlanmış bir SimpleMem örneğidir
dev_questions = [
    ("When is the meeting?", "2pm tomorrow at Starbucks"),
    ("What should Bob prepare?", "market analysis report"),
]
config = simplemem.optimize(mem, dev_questions, max_rounds=3)
config.save("my_config.json")

# Daha sonra optimize edilmiş yapılandırmayla dağıtım yapın
config = load_config("my_config.json")
mem = SimpleMem(config=config)

EvolveMem, geliştirme sorularınız üzerinde LLM güdümlü Değerlendir → Tanıla → Öner → Koru döngüsü çalıştırır; küresel geri alma bayraklarını (top_k, füzyon modu, yanıt doğrulama, yansıma turları, ...) ayarlar. Kıyaslama bağdaştırıcıları ve kategori başına geçersiz kılmalar içeren tam bağımsız sürüm için EvolveMem/ bölümüne bakın.

🚄 Gelişmiş: Paralel İşleme

Büyük ölçekli diyalog işleme için paralel modu etkinleştirin:

from simplemem import create

mem = create(
    mode="text",
    clear_db=True,
    enable_parallel_processing=True,  # ⚡ Paralel bellek oluşturma
    max_parallel_workers=8,
    enable_parallel_retrieval=True,   # 🔍 Paralel sorgu yürütme
    max_retrieval_workers=4
)

💡 Profesyonel İpucu: Paralel işleme, toplu işlemler için gecikmeyi önemli ölçüde azaltır!

🌟 Genel Bakış

SimpleMem, LLM ajanları için birleşik bir bellek yığınıdır; tek bir ilkeye dayanır: anlamsal olarak kayıpsız belleği yüksek bilgi yoğunluğunda depola, böylece bir ajan çok daha az belirteç harcayarak daha fazlasını hatırlasın. Paket, bu ilkeyi paylaşan ancak sorunun farklı bölümlerine saldıran üç çalışmayı bir araya getirir.

📝 SimpleMem: verimlilik çekirdeği (metin)

Çoğu bellek sistemi kötü bir ödünleşime zorlar. Ya ham etkileşim geçmişini pasif biçimde biriktirir (gereksiz, belirteç tüketen) ya da gürültüyü filtrelemek için pahalı muhakeme döngüleri çalıştırır (yavaş, maliyetli). SimpleMem bunun yerine etkileşimleri üç aşamalı bir boru hattıyla sıkıştırır:

Aşama Ne yapar
1. Anlamsal Yapılandırılmış Sıkıştırma Yapılandırılmamış etkileşimleri kompakt bellek birimlerine damıtır (çözülmüş ortak göndermeler ve mutlak zaman damgaları içeren kendi kendine yeten olgular); her biri esnek geri alma için birden fazla tamamlayıcı görünüm aracılığıyla indekslenir.
2. Çevrimiçi Anlamsal Sentez Bir oturum içindeki ilgili bağlamı birleşik soyut temsillerde birleştirir; sorgu anında değil, bellek oluşturulurken fazlalığı kaldırır.
3. Niyet Odaklı Geri Alma Planlaması Bir sorgunun arkasındaki arama niyetini çıkararak neyin geri alınacağına karar verir ve kesin, kompakt bir bağlam oluşturur.

LoCoMo kıyaslamasında bu, çıkarım zamanı belirteç tüketimini yaklaşık 30 kat düşürürken önceki sistemlere kıyasla ortalama %26,4 F1 kazanımı sağlar. Mekanizma ayrıntıları (hibrit indeks katmanları, sıkıştırma örnekleri, geri alma planlaması): SimpleMem metin belleği →.

🧠 Omni-SimpleMem: çok modlu bellek (metin, görüntü, ses, video)

Omni-SimpleMem, sıkıştırma öncelikli felsefeyi dört modaliteye genişletir; üç ilkeye dayanır: Seçici Alım (modalite başına entropi güdümlü filtreleme), Aşamalı Geri Alma (piramit belirteç bütçesi genişlemesiyle hibrit FAISS + BM25) ve Bilgi Grafiği Artırma (çok atlamalı çapraz modal muhakeme). Elle tasarlanmak yerine, mimarisi iki kıyaslamada yaklaşık 50 deney çalıştıran, hata modlarını tanılayan, mimari değişiklikler öneren ve hatta iç döngüde hiçbir insan olmaksızın veri boru hattı hatalarını onaran özerk bir araştırma boru hattı tarafından keşfedilmiştir. Dikkat çekici biçimde, hata düzeltmeleri ve mimari değişikliklerin her biri, tüm hiperparametre ayarlamalarının birleşiminden daha fazla katkı sağlamış; sistemi naif bir referans değerden hem LoCoMo hem de Mem-Gallery'de en ileri teknoloji düzeyine taşımıştır. Tam belgeler: Omni-SimpleMem →.

🧬 EvolveMem: öz-evrilen geri alma

EvolveMem, hemen hemen her bellek sisteminin paylaştığı kör bir noktayı kapatır: depolanan içerik gelişir, ancak geri alma mekanizması (puanlama işlevleri, füzyon stratejileri, yanıt oluşturma politikaları) dağıtımdan sonra donmuş kalır. EvolveMem kapalı döngülü bir AutoResearch süreci çalıştırır (Değerlendir → Tanıla → Öner → Koru → Tekrarla); bu süreçte bir LLM, soru başına başarısızlıkları tanılar ve yapılandırma değişiklikleri önerir; gerilemeye karşı otomatik geri alma ve durağanlık sırasında keşif teşvikiyle korunur. Orijinal tasarımda bulunmayan yeni geri alma boyutları keşfeder (sorgu ayrıştırma, varlık değişimi, yanıt doğrulama), LoCoMo'yu en güçlü referans değere göre göreli %25,7 iyileştirir ve evrilmiş yapılandırmaları kıyaslamalar arasında olumlu aktarım yapar. Tam belgeler: EvolveMem →.

Nasıl bir araya gelirler

from simplemem import SimpleMem size çok modlu arka uca otomatik yönlendirmeli metin çekirdeğini sunar; simplemem.optimize(...) ise kendi verileriniz için geri almayı ayarlamak üzere EvolveMem'den yararlanır. Tek paket, tek zihinsel model: kayıpsız sıkıştır, niyete göre geri al ve sistemin kendini geliştirmeye devam etmesine izin ver.

📦 Kurulum

📝 İlk Kez Kullananlar İçin Notlar

  • Yalnızca global olarak yüklenmiş değil, etkin ortamınızda Python 3.10+ kullandığınızdan emin olun.
  • Herhangi bir bellek oluşturma veya geri alma işlemi çalıştırılmadan önce OpenAI uyumlu bir API anahtarı yapılandırılmalıdır; aksi takdirde başlatma başarısız olabilir.
  • OpenAI dışı sağlayıcılar (ör. Qwen veya Azure OpenAI) kullanırken config.py dosyasındaki model adını ve OPENAI_BASE_URL değerini doğrulayın.
  • Büyük diyalog veri setleri için paralel işlemeyi etkinleştirmek bellek oluşturma süresini önemli ölçüde azaltabilir.

📋 Gereksinimler

  • 🐍 Python 3.10+
  • 🔑 OpenAI uyumlu API (OpenAI, Qwen, Azure OpenAI, vb.)

🛠️ Kurulum

# 📥 Depoyu klonlayın
git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem

# 📦 Bağımlılıkları yükleyin (sabitlenmiş sürümler)
pip install -r requirements.txt

# — VEYA — düzenlenebilir paket olarak yükleyin
pip install -e .                  # varsayılan: metin + çok modlu + evolver
pip install -e ".[server]"        # + MCP / HTTP sunucusu (mcp, fastapi, ...)
pip install -e ".[all]"           # geliştirici araçları dahil her şey

# ⚙️ API ayarlarını yapılandırın
cp config.py.example config.py
# config.py dosyasını API anahtarınız ve tercihlerinizle düzenleyin

⚙️ Yapılandırma Örneği

# config.py
OPENAI_API_KEY = "your-api-key"
OPENAI_BASE_URL = None  # veya Qwen/Azure için özel uç nokta

LLM_MODEL = "gpt-4.1-mini"
EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B"  # En ileri teknoloji geri alma

🐳 Docker ile Çalıştırma

MCP Sunucusu, tutarlı ve izole bir ortam için Docker içinde çalıştırılabilir. Veriler (LanceDB ve kullanıcı veritabanı) bir ana bilgisayar biriminde kalıcı hale getirilir.

Ön Koşullar

Hızlı Çalıştırma

# Depo kökünden
docker compose up -d

Veriler ana bilgisayardaki ./data klasöründe saklanır (otomatik olarak oluşturulur).

Özel Yapılandırma

  1. Ortam şablonunu kopyalayın ve düzenleyin: 
    cp .env.example .env
# .env dosyasını düzenleyin: JWT_SECRET_KEY, ENCRYPTION_KEY, LLM_PROVIDER, model URL'leri vb. ayarlayın
  2. Env dosyasıyla çalıştırın: 
    docker compose --env-file .env up -d

Ana Bilgisayarda Ollama Kullanımı

LLM_PROVIDER=ollama olduğunda ve Ollama makinenizde (Docker'da değil) çalışıyorsa .env dosyasına şunu ekleyin:

LLM_PROVIDER=ollama
OLLAMA_BASE_URL=http://host.docker.internal:11434/v1

Linux'ta, host.docker.internal Compose dosyası aracılığıyla otomatik olarak etkinleştirilir.

Kullanışlı Komutlar

docker compose logs -f simplemem   # Günlükleri izle
docker compose down                 # Kapsayıcıları durdur ve kaldır

📖 MCP sunucusunu kendi barındırma için (Docker veya doğrudan sunucu), MCP Belgelerine bakın.

🔌 MCP Sunucusu (metin belleği)

SimpleMem, Model Context Protocol (MCP) aracılığıyla bulut barındırmalı bir bellek hizmeti olarak sunulmakta; Claude Desktop, Cursor ve diğer MCP uyumlu istemciler gibi yapay zeka asistanlarıyla sorunsuz entegrasyon sağlamaktadır.

🌐 Bulut Hizmeti: mcp.simplemem.cloud — veya MCP sunucusunu Docker kullanarak yerel olarak barındırın.

Temel Özellikler

Özellik Açıklama
Akışlı HTTP JSON-RPC 2.0 ile MCP 2025-03-26 protokolü
Çok Kiracılı Yalıtım Belirteç kimlik doğrulamasıyla kullanıcı başına veri tabloları
Hibrit Geri Alma Anlamsal arama + anahtar sözcük eşleştirme + meta veri filtreleme
Üretime Optimize OpenRouter entegrasyonuyla daha hızlı yanıt süreleri

Hızlı Yapılandırma

{
  "mcpServers": {
    "simplemem": {
      "url": "https://mcp.simplemem.cloud/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_TOKEN"
      }
    }
  }
}

📖 Ayrıntılı kurulum talimatları ve kendi barındırma kılavuzu için MCP Belgelerine bakın

📊 Makale Sonuçlarını Yeniden Üretme

Makalelerdeki LoCoMo / MemBench / Mem-Gallery sayılarını yeniden üretin. Her sütunun kendi dizininde kendi kıyaslama çalıştırıcısı bulunur. Önce kıyaslama ekstralarını yükleyin: pip install -e ".[benchmark]".

📝 SimpleMem (metin) — LoCoMo

Depo kökünden çalıştırın:

python test_locomo10.py                       # tam LoCoMo kıyaslaması
python test_locomo10.py --num-samples 5       # hızlı alt küme
python test_locomo10.py --result-file my_results.json

🧬 EvolveMem — öz-evrim + LoCoMo / MemBench

EvolveMem/ dizininden çalıştırın (EvolveMem/README.md belgesine bakın):

cd EvolveMem
python run_evolution.py --data data/locomo10.json --max-rounds 7
python run_benchmark.py locomo --sample 0 --initial weak --max-rounds 3
python run_benchmark.py membench --agent FirstAgent --max-rounds 3

🧠 Omni-SimpleMem — LoCoMo / Mem-Gallery

OmniSimpleMem/ dizininden çalıştırın (OmniSimpleMem/README.md belgesine bakın):

cd OmniSimpleMem
python benchmarks/locomo/run_locomo.py --data-path /path/to/locomo10.json --model gpt-4o

🗺️ Yol Haritası

Entegrasyon kanalına göre mevcut yetenek:

Yetenek Python (pip install) MCP sunucusu (Claude Desktop, Cursor, ...)
Metin belleği ✅ ✅
Çok modlu (görüntü / ses / video) ✅ ⬜ planlandı
optimize() öz-evrilen geri alma ✅ ⬜ planlandı

Açığı kapatmak için planlanan çalışmalar (MCP sunucusu bağımsız çok kiracılı bir metin hizmetidir; bunlar gerçek özelliklerdir, belge düzeltmeleri değildir):

  • MCP Üzerinden Çok Modlu. memory_add_image / memory_add_audio / memory_add_video araçları eklenecek. Bir dosya yükleme yolu gerektirir (base64 veya URL, çünkü MCP yerel dosya yollarını geçiremez), Omni-SimpleMem depolama arka ucunun çok kiracılı uyarlaması ve sunucu tarafı görü/ses modeli erişimi.
  • MCP Üzerinden EvolveMem. optimize() işlevini bir MCP aracı olarak sunun. Çok modludan daha uygulanabilir (metin girişi, JSON yapılandırması çıktısı, dosya taşıması yok), ancak MCP alıcısı şu anda EvolveMem'in evrimleştirdiği ~10 boyutun yalnızca semantic_top_k / keyword_top_k değerlerini karşılamaktadır. MCP alıcısının kalan kontrol düğmelerini destekleyecek şekilde genişletilmesini (yapılandırılmış top_k, füzyon modu/ağırlıkları, varlık değişimi, sorgu ayrıştırma, yanıt doğrulama), kiracının depolanmış anıları üzerinde evrim döngüsünü çalıştırmak için bir bağdaştırıcı, kiracı başına yapılandırma kalıcılığı ve eşzamansız yürütme (döngü LLM ağırlıklıdır ve senkron bir isteği zaman aşımına uğratır) gerektirir.
  • Docker, MCP sunucusu bunları desteklediğinde her ikisini de otomatik olarak devralır (görüntüye çok modlu bağımlılıklar ve bir Omni depolama birimi ekleyin).

Bugün tam çok modlu ve öz-evrilen geri alma için Python API'sini kullanın (bkz. Hızlı Başlangıç).

📝 Alıntı

Araştırmanızda SimpleMem'i kullanıyorsanız lütfen şu şekilde alıntı yapın:

@article{simplemem2026,
  title={SimpleMem: Efficient Lifelong Memory for LLM Agents},
  author={Liu, Jiaqi and Su, Yaofeng and Xia, Peng and Zhou, Yiyang and Han, Siwei and  Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu},
  journal={arXiv preprint arXiv:2601.02553},
  year={2026},
  url={https://arxiv.org/abs/2601.02553}
}
@article{evolvemem2026,
  title={EvolveMem: Self-Evolving Memory Architecture via AutoResearch for LLM Agents},
  author={Liu, Jiaqi and Ye, Xinyu and Xia, Peng and Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu},
  journal={arXiv preprint arXiv:2605.13941},
  year={2026},
  url={https://arxiv.org/abs/2605.13941}
}
@article{omnisimplemem2026,
  title   = {Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory},
  author  = {Liu, Jiaqi and Ling, Zipeng and Qiu, Shi and Liu, Yanqing and Han, Siwei and Xia, Peng and Tu, Haoqin and Zheng, Zeyu and Xie, Cihang and Fleming, Charles and Ding, Mingyu and Yao, Huaxiu},
  journal = {arXiv preprint arXiv:2604.01007},
  year    = {2026},
}

📄 Lisans

Bu proje MIT Lisansı kapsamında lisanslanmıştır — ayrıntılar için LICENSE dosyasına bakın.

🙏 Teşekkürler

Aşağıdaki projelere ve ekiplere teşekkür etmek istiyoruz:

  • 🔍 Gömme Modeli: Qwen3-Embedding - En ileri teknoloji geri alma performansı
  • 🗄️ Vektör Veritabanı: LanceDB - Yüksek performanslı sütun tabanlı depolama
  • 📊 Kıyaslama: LoCoMo - Uzun bağlamlı bellek değerlendirme çerçevesi