MemTensor/MemOS

MemOS 2.0 – 面向 LLM 与 AI 代理的内存操作系统

是什么 – MemOS（Memory OS）是一项服务，为大型语言模型代理提供持久、可搜索且可编辑的内存存储。它将记忆视为由节点（文本、图像、工具追踪、人物设定等）构成的图结构，支持通过自然语言或向量搜索进行查询，并可作为完全托管的云 API 或本地自托管服务运行。

为何重要 – 当前的 LLM 部署将上下文视为短期窗口；MemOS 则添加了一个长期的“大脑”，使代理能够回忆过往交互、进化技能，并在用户、项目或多个代理之间共享或隔离知识。仓库中引用的基准测试（LoCoMo 88.83，LongMemEval 89.20，OmniMemEval 领先）表明其性能优于现有商业内存产品。

---

核心功能（如 README 所述）

功能	作用
统一内存 API	一套 HTTP 端点用于添加、检索、编辑和删除记忆；数据模型为图结构，而非黑盒向量存储。
多模态支持	可同时存储文本、图像、工具追踪日志和人物数据，支持联合检索与推理。
记忆立方体	逻辑上的“知识库”，可在用户/代理间组合、隔离或共享。
异步摄入（MemScheduler）	支持高并发写入，延迟低至毫秒级。
反馈驱动修正	可通过自然语言反馈（如“替换这个事实”）对记忆进行优化。
混合检索	结合全文搜索（FTS5）与向量相似度，实现快速准确的查找。
本地优先 SQLite 存储	本地插件将所有内容存储在本地，无需云服务。
云服务	无需基础设施的托管版本，通过 API 密钥访问。
代理插件	为 OpenClaw、Hermes 和 DeepSeek Harness 提供的现成插件（含云与本地版本）。
仪表板 / 查看器	Web UI 用于检查和编辑记忆图。

---

典型使用场景

• 跨会话记住用户偏好的个人助手（“我喜欢草莓”）。
• 可检索历史工单或账户记录的客户支持机器人。
• 多代理系统中，代理共享公共知识库或保持独立私有立方体。
• 存储 L1 跟踪、L2 策略、L3 世界模型更新的技能进化流水线，实现持续学习。

---

快速启动选项

模式	启动方式	基础设施
云 API	注册 → 获取 mpg-... API 密钥 → 调用 /add/message 和 /search/memory 端点。	无（由 MemOS 托管）。
自托管（Docker）	git clone … && cd MemOS && cp docker/.env.example .env && docker compose up	Neo4j + Qdrant 容器（图数据库 + 向量数据库）。
自托管（uvicorn）	同一仓库，启动 Neo4j 与 Qdrant 后运行 uvicorn memos.api.server_api:app …。	Neo4j + Qdrant 服务。
本地插件	在现有 OpenClaw、Hermes 或 DeepSeek Harness 环境中执行 npm install @memtensor/memos-local-plugin（或运行提供的 install.sh 脚本）。	仅需 Node.js；内存存储于本地 SQLite。
云插件	执行 openclaw plugins install @memtensor/memos-cloud-openclaw-plugin@latest（或 DSH 等效命令）。	使用 MemOS 云服务；无需本地数据库。

---

示例代码（Python，云 API）

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

---

社区与资源

• 文档与教程 – https://memos-docs.openmem.net/
• GitHub – https://github.com/MemTensor/MemOS（问题、讨论）
• Discord – https://discord.gg/Txbx3gebZR
• 论文 – arXiv 2507.03724 (MemOS: A Memory OS for AI System)

---

许可证

Apache 2.0（请参阅仓库中的 LICENSE 文件）。

---

总结 – MemOS 为基于 LLM 的代理提供了生产就绪、即插即用的内存层，支持云托管与完全本地部署路径，并已集成多个流行开源代理。