MemTensor/MemOS

Self-evolving memory OS for LLM & AI Agents: ultra-persistent memory, hybrid-retrieval, and cross-task skill reuse, with 35.24% token savings and DeepSeek Harness support.

MemOS 2.0 – LLM および AI エージェント向けのメモリオペレーティングシステム

何であるか – MemOS（Memory OS）は、大規模言語モデルエージェントに永続的で検索可能かつ編集可能なメモリストアを提供するサービスです。メモリをノード（テキスト、画像、ツールトレース、キャラクターなど）のグラフとして扱い、自然言語またはベクトル検索で照会でき、完全に管理されたクラウドAPIまたはオンプレミスのセルフホストサービスとして動作可能です。

なぜ重要か – 現在のLLMの展開ではコンテキストが短期間のウィンドウとして扱われますが、MemOSはエージェントが過去の対話を思い出せる長期的な「脳」を追加し、スキルの進化、ユーザー間・プロジェクト間・複数エージェント間での知識の共有または隔離を可能にします。リポジトリに記載されたベンチマーク（LoCoMo 88.83、LongMemEval 89.20、OmniMemEval リーダー）は、既存の商用メモリ製品を上回ることを示唆しています。

コア機能（READMEに記載）

機能	機能の概要
統合メモリAPI	メモリの追加、取得、編集、削除に使用する一貫したHTTPエンドポイント。データモデルはブラックボックスのベクトルストアではなく、グラフです。
マルチモーダル対応	テキスト、画像、ツールトレースログ、キャラクター情報などを統合して保存し、共同検索と推論を可能にします。
メモリキューブ	ロジカルな「知識ベース」で、ユーザー・エージェント間で構成・隔離・共有が可能です。
非同期インジェスチョン（MemScheduler）	ミリ秒単位の遅延で高並行書き込みを処理します。
フィードバック駆動の修正	自然言語フィードバック（例：「この事実を置き換えてください」）により、メモリを改善できます。
ハイブリッド検索	FTS5による全文検索とベクトル類似度を組み合わせ、高速かつ正確な照会を実現します。
ローカルファーストSQLiteストレージ	オンデバイスプラグインはすべてをローカルに保存し、クラウドは不要です。
クラウドサービス	インフラ構築不要のホストされたバージョン。APIキーでアクセス可能。
エージェントプラグイン	OpenClaw、Hermes、DeepSeek Harness用の準備済みプラグイン（クラウドおよびローカル両方）。
ダッシュボード／ビューア	メモリグラフを検査・編集できるWeb UI。

一般的な利用事例

セッション間でユーザーの好み（「イチゴが好き」）を記憶するパーソナルアシスタント。
以前のチケットやアカウント履歴を検索できるカスタマーサポートボット。
エージェントが共通の知識ベースを共有するか、個別にプライベートキューブを保持するマルチエージェントシステム。
L1トレース、L2ポリシー、L3ワールドモデルの更新を保存し、継続的学習を行うスキル進化パイプライン。

クイックスタートオプション

モード	開始方法	インフラストラクチャ
クラウドAPI	サインアップ → `mpg-...` APIキーを取得 → `/add/message` および `/search/memory` エンドポイントを呼び出し。	なし（MemOSがホスト）。
セルフホスト（Docker）	`git clone … && cd MemOS && cp docker/.env.example .env && docker compose up`	Neo4j + Qdrantコンテナ（グラフDB + ベクトルDB）。
セルフホスト（uvicorn）	同じリポジトリで、Neo4jとQdrantを手動起動後、`uvicorn memos.api.server_api:app …` を実行。	Neo4j + Qdrantサービス。
ローカルプラグイン	既存のOpenClaw、Hermes、またはDeepSeek Harness環境内で `npm install @memtensor/memos-local-plugin`（または提供された `install.sh` スクリプトを実行）。	Node.jsのみ；メモリはローカルSQLiteに保存。
クラウドプラグイン	`openclaw plugins install @memtensor/memos-cloud-openclaw-plugin@latest`（DSH版も同様）。	MemOSクラウドを使用；ローカルDBは不要。

例コード（Python、クラウドAPI）

import requests
API_KEY = "mpg-..."
BASE = "https://memos.memtensor.cn/api/openmem/v1"
HEADERS = {"Authorization": f"Token {API_KEY}", "Content-Type": "application/json"}
# メモリを追加
requests.post(f"{BASE}/add/message", headers=HEADERS, json={
    "user_id": "alice",
    "conversation_id": "conv_001",
    "messages": [{"role": "user", "content": "I like strawberry"}],
})
# 照会
resp = requests.post(f"{BASE}/search/memory", headers=HEADERS, json={
    "query": "What do I like?",
    "user_id": "alice",
})
print(resp.json())

コミュニティとリソース

ドキュメントとチュートリアル – https://memos-docs.openmem.net/
GitHub – https://github.com/MemTensor/MemOS（イシュー、ディスカッション）
Discord – https://discord.gg/Txbx3gebZR
論文 – arXiv 2507.03724 (MemOS: A Memory OS for AI System)

ライセンス

Apache 2.0（リポジトリ内の LICENSE を参照）。

結論 – MemOSは、クラウド管理型と完全ローカルの両方の展開パスを備えた、プロダクション対応の即時利用可能なメモリレイヤーをLLMベースエージェントに提供しており、複数の人気オープンソースエージェントとの統合も既に提供されています。