Перейти к содержанию

Telegram-бот с памятью

Демо на aiogram 3 — полноценное polling-приложение с постоянной памятью в SQLite. Оно автоматически сохраняет завершённые реплики, достаёт релевантные старые диалоги, держит небольшое hot-окно и показывает безопасную диагностику без содержимого сообщений.

Установка и запуск

Выберите один модельный backend:

pip install "protoprompt[telegram,ollama]"
ollama pull llama3.1 nomic-embed-text
export TELEGRAM_BOT_TOKEN="..."
export PROTOPROMPT_PROVIDER="ollama"
python examples/telegram_memory_bot.py

pip install "protoprompt[telegram,openai]"
export TELEGRAM_BOT_TOKEN="..."
export OPENAI_API_KEY="..."
export PROTOPROMPT_PROVIDER="openai"
python examples/telegram_memory_bot.py

В PowerShell используйте $env:NAME="value". Путь к SQLite задаёт PROTOPROMPT_DB, по умолчанию — telegram_memory.db. Модели и endpoint можно переопределить переменными OPENAI_* или OLLAMA_*, перечисленными в исходнике примера.

Не используйте прежнюю базу после перехода на embedding-модель с другой размерностью вектора. Создайте новую базу или переиндексируйте память.

Команды и приватность

  • /memory показывает количество записей в текущем и всех тредах, а также размер hot-окна;
  • /why показывает id и similarity score последнего recall, но не текст;
  • /forget объясняет необратимое действие;
  • /forget confirm удаляет зарегистрированную долгую память пользователя во всех Telegram-чатах.

Хост строит MemoryScope из доверенных Telegram user/chat id. Текст модели не может выбрать другого пользователя или tenant. Реестр удаления хранит только поля scope и непрозрачные id; содержимое диалогов остаётся в vector store. По умолчанию бот не логирует токены и сообщения.

Воспроизводимая проверка длинного диалога

Детерминированный офлайн-сценарий кладёт код доступа в третью реплику диалога из 100 сообщений и ограничивает FIFO/LRU ёмкостью 12:

python examples/telegram_long_dialog.py

Ожидаемый результат: оба ограниченных baseline теряют старый факт, к которому не обращались, а semantic memory возвращает turn-2. Это сравнение retention и retrieval, а не обещание буквально бесконечного хранилища или безошибочного recall для любой embedding-модели.