🎮 GameMemo

An intelligent memory management system for game AI assistants, powered by LLMs through Ollama.

English | 中文

---

English

📖 Overview

GameMemo is a sophisticated memory management system designed for game AI assistants. It automatically extracts, stores, and retrieves player information from conversations and game data, enabling personalized and context-aware interactions.

✨ Features

• 🧠 Smart Memory Extraction - Automatically extracts key information from conversations and game trajectories
• 🔄 Dynamic Updates - Supports add, update, and delete operations on memories
• 🔍 Semantic Retrieval - Finds relevant memories using keyword and semantic matching
• 📝 Detailed Logging - Tracks all operations for debugging and analysis
• 🎯 Priority System - Organizes memories by importance (core, important, general)
• 💾 Persistent Storage - Saves memories to JSON files for long-term retention

🚀 Quick Start

Prerequisites

1. Python 3.8+
2. Ollama - Download and install
3. A language model - e.g., deepseek-v3.1:671b-cloud, llama3.2:7b

Installation

# Clone the repository
git clone https://github.com/yourusername/GameMemo.git
cd GameMemo

Running the Demo

# Automatic demo (9 conversation turns)
python chatbot_demo.py

# Interactive mode
python chatbot_demo.py --interactive

# Run tests
python test_memory.py

📋 Usage Example

from game_memory import GameMemory
from llm_client import OllamaClient

# 初始化
memory_system = GameMemory(
    user_id="player_001",
    model="deepseek-v3.1:671b-cloud"
)

# 添加对话记忆
conversation = """
玩家: 你好，我是新手玩家
助手: 欢迎！
玩家: 我的生日是2月12日
玩家: 我喜欢玩射手英雄
"""

count = memory_system.update_personal_memory_with_messages(conversation)
print(f"提取了 {count} 条记忆")

# 检索相关记忆
query = "玩家喜欢什么英雄？"
memories = memory_system.retrieval_relevant_memory(query, top_k=3)
for mem in memories:
    print(f"- {mem.content}")

# 保存
memory_system.save()

🔧 Configuration

You can customize the LLM client:

from llm_client import OllamaClient

# Custom Ollama instance
client = OllamaClient(
    model="deepseek-v3.1:671b-cloud",
    base_url="http://localhost:11434",
    timeout=120
)

# Use with GameMemory
memory = GameMemory(
    user_id="player_001",
    llm_client=client
)

📊 Memory Priority Levels

Priority	Level	Use Case
1	Core	Critical information (birthday, username)
2-3	Important	Game preferences, frequently used heroes
4-5	General	Casual information, temporary notes

---

中文

📖 概述

GameMemo 是一个为游戏 AI 助手设计的智能记忆管理系统。它能够自动从对话和游戏数据中提取、存储和检索玩家信息，从而实现个性化和上下文感知的交互。

✨ 功能特性

• 🧠 智能记忆提取 - 自动从对话和游戏轨迹中提取关键信息
• 🔄 动态更新 - 支持记忆的新增、更新和删除操作
• 🔍 语义检索 - 使用关键词和语义匹配查找相关记忆
• 📝 详细日志 - 记录所有操作，便于调试和分析
• 🎯 优先级系统 - 按重要性组织记忆（核心、重要、一般）
• 💾 持久化存储 - 将记忆保存到 JSON 文件，长期保留

🚀 快速开始

前置要求

1. Python 3.8+
2. Ollama - 下载并安装
3. 语言模型 - 例如 deepseek-v3.1:671b-cloud、llama3.2:7b

安装

# 克隆仓库
git clone https://github.com/yourusername/GameMemo.git
cd GameMemo

运行演示

# 自动演示（9 轮对话）
python chatbot_demo.py

# 交互模式
python chatbot_demo.py --interactive

# 运行测试
python test_memory.py

📋 使用示例

from game_memory import GameMemory
from llm_client import OllamaClient

# 初始化
memory_system = GameMemory(
    user_id="player_001",
    model="deepseek-v3.1:671b-cloud"
)

# 添加对话记忆
conversation = """
玩家: 你好，我是新手玩家
助手: 欢迎！
玩家: 我的生日是2月12日
玩家: 我喜欢玩射手英雄
"""

count = memory_system.update_personal_memory_with_messages(conversation)
print(f"提取了 {count} 条记忆")

# 检索相关记忆
query = "玩家喜欢什么英雄？"
memories = memory_system.retrieval_relevant_memory(query, top_k=3)
for mem in memories:
    print(f"- {mem.content}")

# 保存
memory_system.save()

🔧 配置

你可以自定义 LLM 客户端：

from llm_client import OllamaClient

# 自定义 Ollama 实例
client = OllamaClient(
    model="deepseek-v3.1:671b-cloud",
    base_url="http://localhost:11434",
    timeout=120
)

# 与 GameMemory 一起使用
memory = GameMemory(
    user_id="player_001",
    llm_client=client
)

📊 记忆优先级

优先级	级别	使用场景
1	核心	关键信息（生日、用户名）
2-3	重要	游戏偏好、常用英雄
4-5	一般	临时信息、随意记录

---

📞 Contact

• Email: [email protected]