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 및 AI 에이전트를 위한 메모리 운영 체제

무엇인가요 – MemOS(Memory OS)는 대규모 언어 모델 에이전트에게 지속적이고 검색 가능하며 편집 가능한 메모리 저장소를 제공하는 서비스입니다. 메모리는 텍스트, 이미지, 도구 추적, 인물 설정 등 다양한 노드로 구성된 그래프로 취급되며, 자연어 또는 벡터 검색으로 질의할 수 있으며, 완전히 관리되는 클라우드 API 또는 온프레미스에서 자체 호스팅되는 서비스로 작동할 수 있습니다.

왜 중요한가요 – 현재 LLM 배포는 컨텍스트를 단기적 창으로 간주하지만, MemOS는 에이전트가 과거 상호작용을 기억하고 기술을 진화하며, 사용자, 프로젝트, 여러 에이전트 간에 지식을 공유하거나 격리할 수 있는 장기적인 '뇌'를 추가합니다. 리포지토리에 언급된 벤치마크(LoCoMo 88.83, LongMemEval 89.20, OmniMemEval 리더)는 기존 상용 메모리 제품보다 우수함을 시사합니다.

핵심 기능 (README에 설명됨)

기능	기능 설명
통합 메모리 API	메모리 추가, 검색, 편집, 삭제를 위한 하나의 HTTP 엔드포인트 세트. 데이터 모델은 블랙박스 벡터 저장소가 아니라 그래프입니다.
다중 모달 지원	텍스트, 이미지, 도구 추적 로그, 인물 데이터를 함께 저장하여 공동 검색과 추론을 가능하게 합니다.
메모리 큐브	사용자/에이전트 간에 조합, 격리, 공유가 가능한 논리적 '지식 기반'.
비동기 인게스션 (MemScheduler)	밀리초 수준의 지연으로 고병렬 쓰기 작업을 처리합니다.
피드백 기반 수정	자연어 피드백(예: "이 사실을 바꿔주세요")을 통해 메모리를 개선할 수 있습니다.
하이브리드 검색	FTS5 기반 전체 텍스트 검색과 벡터 유사도를 결합하여 빠르고 정확한 조회를 제공합니다.
로컬 우선 SQLite 저장소	온디바이스 플러그인은 모든 것을 로컬에 저장하며 클라우드가 필요 없습니다.
클라우드 서비스	인프라 구축 없이 호스팅된 버전으로 API 키로 접근 가능합니다.
에이전트 플러그인	OpenClaw, Hermes, DeepSeek Harness용 준비된 플러그인(클라우드 및 로컬 버전 모두).
대시보드 / 뷰어	메모리 그래프를 검사하고 편집할 수 있는 웹 UI.

일반적인 사용 사례

세션 간에 사용자 선호사항("나는 딸기를 좋아해")을 기억하는 개인 비서.
이전 티켓이나 계정 기록을 검색할 수 있는 고객 지원 봇.
에이전트가 공통 지식 기반을 공유하거나 개별적으로 개인 큐브를 유지하는 다중 에이전트 시스템.
L1 트레이스, L2 정책, L3 월드 모델 업데이트를 저장하여 지속적인 학습을 수행하는 기술 진화 파이프라인.

빠른 시작 옵션

모드	시작 방법	인프라스트럭처
클라우드 API	가입 → `mpg-...` API 키 획득 → `/add/message` 및 `/search/memory` 엔드포인트 호출.	없음 (MemOS가 호스팅).
자체 호스팅 (Docker)	`git clone … && cd MemOS && cp docker/.env.example .env && docker compose up`	Neo4j + Qdrant 컨테이너 (그래프 DB + 벡터 DB).
자체 호스팅 (uvicorn)	동일한 리포지토리에서 Neo4j 및 Qdrant를 수동으로 시작한 후 `uvicorn memos.api.server_api:app …` 실행.	Neo4j + Qdrant 서비스.
로컬 플러그인	기존 OpenClaw, Hermes, 또는 DeepSeek Harness 환경에서 `npm install @memtensor/memos-local-plugin` (또는 제공된 `install.sh` 스크립트 실행).	Node.js만 필요; 메모리는 로컬 SQLite에 저장.
클라우드 플러그인	`openclaw plugins install @memtensor/memos-cloud-openclaw-plugin@latest` (DSH 버전도 동일).	MemOS 클라우드 사용; 로컬 DB 필요 없음.

예제 코드 (Python, 클라우드 API)

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

커뮤니티 및 리소스

문서 및 튜토리얼 – https://memos-docs.openmem.net/
GitHub – https://github.com/MemTensor/MemOS (이슈, 토론)
Discord – https://discord.gg/Txbx3gebZR
논문 – arXiv 2507.03724 (MemOS: A Memory OS for AI System)

라이선스

Apache 2.0 (리포지토리 내 LICENSE 참조).

결론 – MemOS는 클라우드 관리형 및 완전히 로컬 배포 경로를 갖춘 프로덕션 준비된 즉시 사용 가능한 메모리 계층을 LLM 기반 에이전트에 제공하며, 여러 인기 오픈소스 에이전트와의 통합도 이미 제공되고 있습니다.