Metadata-Version: 2.4
Name: litemem
Version: 0.1.3
Summary: Lightweight memory store for embeddings
Author: Ivan
License: MIT
Classifier: License :: OSI Approved :: MIT License
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.12
Classifier: Operating System :: OS Independent
Classifier: Topic :: Software Development :: Libraries
Requires-Python: >=3.12
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: sqlite-lembed>=0.0.1a8
Requires-Dist: sqlite-vec>=0.1.6
Dynamic: license-file

# LiteMem

LiteMem - это легковесная библиотека для управления памятью с использованием SQLite, sqlite-vec и локальных эмбеддингов. Библиотека предоставляет два основных класса для работы с памятью: `Memory` и `MemoryEmbedded`.

## Основные возможности

- **Векторный поиск**: Поиск похожих сообщений с использованием эмбеддингов
- **Полнотекстовый поиск**: Традиционный текстовый поиск по сообщениям
- **Гибридный поиск**: Комбинация векторного и полнотекстового поиска
- **Локальные эмбеддинги**: Поддержка локальных моделей для генерации эмбеддингов
- **SQLite база данных**: Все данные хранятся в SQLite с расширениями для векторного поиска

## Установка

```bash
pip install litemem
```

## Быстрый старт

### Использование Memory с внешними эмбеддингами

```python
from litemem import Memory
import ollama

# Функция для генерации эмбеддингов
def embedder(text):
    response = ollama.embeddings(model='nomic-embed-text', prompt=text)
    return response['embedding']

# Создание экземпляра памяти
memory = Memory('memory.db', embedder)

# Добавление сообщений
memory.add([
    "Я люблю программирование на Python",
    "Машинное обучение - это интересная область",
    "SQLite - отличная встраиваемая база данных"
])

# Векторный поиск
results = memory.search_vec("программирование на Python")
print(results)

# Полнотекстовый поиск
results = memory.search_fts("Python")
print(results)

# Гибридный поиск
results = memory.hybrid_search("программирование")
print(results)

# Закрытие соединения
memory.close()
```

### Использование MemoryEmbedded с локальными моделями

```python
from litemem import MemoryEmbedded

# Создание экземпляра памяти с локальной моделью
memory = MemoryEmbedded('memory.db')

# Добавление сообщений
memory.add([
    "Я люблю программирование на Python",
    "Машинное обучение - это интересная область",
    "SQLite - отличная встраиваемая база данных"
])

# Поиск
results = memory.search_vec("программирование на Python")
print(results)

# Закрытие соединения
memory.close()
```

## Основные классы

### Memory

Класс `Memory` требует внешнюю функцию для генерации эмбеддингов. Подходит для использования с любыми моделями эмбеддингов.

#### Методы:
- `add(message)`: Добавление сообщений в память
- `search_vec(query, limit=64)`: Векторный поиск
- `search_fts(query, limit=32)`: Полнотекстовый поиск
- `hybrid_search(query, limit=32)`: Гибридный поиск
- `remove(ids)`: Удаление сообщений по ID
- `clear()`: Очистка всей памяти

### MemoryEmbedded

Класс `MemoryEmbedded` использует локальные модели эмбеддингов. В пакет включена модель `all-MiniLM-L6-v2-Q8_0.gguf`, расположенная в `litemem/models/all-MiniLM-L6-v2-Q8_0.gguf`, — эта модель используется по умолчанию при создании экземпляра `MemoryEmbedded`. Модель взята из [Hugging Face](https://huggingface.co/second-state/All-MiniLM-L6-v2-Embedding-GGUF).

При желании можно использовать любую другую совместимую локальную модель. Для этого при создании `MemoryEmbedded` передайте параметры `model_path` (путь к файлу модели) и `vector_size` (размер векторов эмбеддинга). Пример:

```python
# Использование собственной модели
memory = MemoryEmbedded('memory.db', model_path='/path/to/your_model.gguf', vector_size=384)
```

#### Методы:
- `add(message)`: Добавление сообщений в память
- `search_vec(query, limit=64)`: Векторный поиск
- `search_fts(query, limit=32)`: Полнотекстовый поиск
- `hybrid_search(query, limit=32)`: Гибридный поиск
- `clear(ids)`: Удаление сообщений по ID
- `clear_all()`: Очистка всей памяти

## Требования

- Python >= 3.12
- sqlite-vec >= 0.1.6
- sqlite-lembed >= 0.0.1a8


## Используемые библиотеки

[sqlite-vec](https://github.com/asg017/sqlite-vec)
[sqlite-lembed](https://github.com/asg017/sqlite-lembed)

## Лицензия

MIT
