GitShelf — GitHub 项目目录

项目概述

MemOS 是一个面向大语言模型（LLM）与 AI 智能体的记忆操作系统，旨在为智能体提供持久化、可演进的长时记忆能力。它统一了记忆的存储、检索与管理，支持多模态记忆（文本、图像、工具轨迹、用户画像）、多知识库（MemCube）管理、异步记忆调度（MemScheduler）以及基于自然语言反馈的记忆修正。MemOS 宣称在多个基准测试上表现优异，并实现了显著的 token 节省（35.24%）。项目采用 Apache-2.0 许可证，主要开发语言为 TypeScript（仓库元数据），但核心服务与文档示例以 Python 为主。

核心功能

统一记忆 API：提供单一的 API 用于添加、检索、编辑和删除记忆，记忆以图结构组织，可检查、可编辑，而非黑盒嵌入存储。
多模态记忆：原生支持文本、图像、工具调用轨迹和用户画像，在同一记忆系统中统一检索与推理。
多 Cube 知识库管理：将多个知识库作为可组合的记忆立方体（MemCube）管理，支持隔离、受控共享和动态组合，适用于多用户、多项目和多智能体场景。
异步记忆调度（MemScheduler）：通过异步方式执行记忆操作，具备毫秒级延迟，保障高并发下的生产稳定性。
记忆反馈与修正：支持通过自然语言反馈对已有记忆进行修正、补充或替换，实现记忆的持续优化。
混合检索：结合向量相似性检索与图遍历算法，实现稳健且上下文感知的混合搜索。
技能复用与自我进化：支持跨任务技能复用，记忆系统可自我演进（L1 痕迹、L2 策略、L3 世界模型、结晶技能）。
多智能体协作：支持多智能体间的记忆共享或隔离，促进协作。

适用与不适用场景

适用场景：

AI 助手：需要一致、上下文丰富的多轮对话。
客户支持：需要回忆过往工单和用户历史。
个性化智能体：需要适应个体偏好。
多智能体协作：需要共享或隔离记忆。
知识管理：需要结构化、可追溯的知识库。

不适用场景：

对记忆延迟要求极高的实时系统（异步模式可能引入延迟）。
完全离线且无法连接任何 LLM API 的环境（记忆提取依赖 LLM）。
需要强实时一致性的场景（异步处理可能导致短暂不一致）。
对数据隐私要求极高且不愿使用云服务的场景（需自托管，但自托管仍需外部 LLM/嵌入服务）。

技术架构与依赖

MemOS 采用模块化架构，核心组件包括：

MOS（Memory Operating System）：编排层，管理多用户、多会话记忆工作流。
MemCube：模块化记忆容器，支持多 Cube 组合视图。
MemReader：从对话、文档、图像等提取结构化记忆。
MemScheduler：异步任务调度器。
MemFeedback：记忆反馈与修正模块。

主要依赖：

图数据库：Neo4j（社区版/企业版）、PolarDB（用于树形明文记忆）。
向量数据库：Qdrant、Milvus（用于通用明文记忆和偏好记忆）。
LLM 后端：OpenAI、Ollama、HuggingFace、百炼（DashScope）等。
嵌入模型：如 text-embedding-v4、nomic-embed-text、bge-m3 等。
重排序器：如 bge-reranker-base、cosine_local。
其他：Redis（可选，用于调度队列）、Python 3.9+、Poetry、Docker。

安装与快速开始

MemOS 提供多种部署方式：

1. 云 API（托管服务）

在 MemOS dashboard 注册并获取 API Key（以 mpg- 开头）。
使用 REST API 添加和搜索记忆。

2. 自托管（Docker 推荐）

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
cp docker/.env.example .env  # 填写 API 密钥等配置
cd docker
docker compose up  # 启动 MemOS API + Neo4j + Qdrant

API 服务运行在 http://localhost:8000。

3. 从源码安装

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
pip install -e .
pip install --no-cache-dir -r ./docker/requirements.txt -i https://mirrors.aliyun.com/pypi/simple/
export PYTHONPATH=/path/to/MemOS/src
uvicorn memos.api.server_api:app --host 0.0.0.0 --port 8000 --workers 1

4. 通过 pip 安装

pip install -U "MemoryOS[all]"

5. 插件安装（OpenClaw/Hermes）

云插件：openclaw plugins install @memtensor/memos-cloud-openclaw-plugin@latest
本地插件：运行安装脚本（macOS/Linux 或 Windows PowerShell）。

典型使用方法

添加记忆（REST API）

curl -X POST 'http://localhost:8000/product/add' \
-H 'Content-Type: application/json' \
-d '{
  "user_id": "alice",
  "writable_cube_ids": ["alice_cube"],
  "messages": [{"role": "user", "content": "I like strawberry"}],
  "async_mode": "sync"
}'

搜索记忆

curl -X POST 'http://localhost:8000/product/search' \
-H 'Content-Type: application/json' \
-d '{
  "query": "What do I like?",
  "user_id": "alice",
  "readable_cube_ids": ["alice_cube"]
}'

Python 示例（使用 SDK）

from memos.api.routers.server_router import add_memories, search_memories
from memos.api.product_models import APIADDRequest, APISearchRequest

add_req = APIADDRequest(
    user_id="alice",
    writable_cube_ids=["alice_cube"],
    messages=[{"role": "user", "content": "I like strawberry"}],
    async_mode="sync"
)
add_memories(add_req)

search_req = APISearchRequest(
    user_id="alice",
    readable_cube_ids=["alice_cube"],
    query="What do I like?"
)
results = search_memories(search_req)
print(results)

配置与部署要点

环境变量配置：在项目根目录创建 .env 文件，配置 LLM API 密钥、嵌入模型、数据库连接等。参考 docker/.env.example。
数据库依赖：
- 树形明文记忆（tree_text）需要图数据库（Neo4j 或 PolarDB）。
- 通用明文记忆（general_text）需要向量数据库（Qdrant）。
- 偏好记忆（pref）需要 Milvus。
- 简单记忆（naive_text）无需数据库。
向量维度一致性：更换嵌入模型时，需确保向量维度与 Qdrant Collection 一致，否则会报错。可修改 collection_name 或删除旧 Collection。
异步调度：可通过 DEFAULT_USE_REDIS_QUEUE 配置是否使用 Redis 队列。
性能调优：可调整 top_k、thread_pool_max_workers、consume_interval_seconds 等参数。
HTTPS 部署：若需在 Coze 等平台集成 MCP，需配置 HTTPS 反向代理（如 Nginx）。
网络问题：在中国大陆可配置 HF 镜像（HF_ENDPOINT=https://hf-mirror.com）和 Poetry 镜像源。

限制、风险与许可证

限制：

参数化记忆（Parametric Memory）标注为“即将推出”，尚未完全可用。
基于 API 的 LLM 无法使用激活记忆和参数记忆。
自托管需要外部 LLM 和嵌入服务，无法完全离线运行。
部分功能（如 LongMemEval 评估）在云服务上可能因不支持问题日期而得分有差异。

风险：

数据隐私：云服务将数据存储在 MemOS Cloud，自托管需自行保障数据安全。
依赖风险：依赖 Neo4j、Qdrant 等第三方服务，需确保其稳定运行。
记忆准确性：自动提取的记忆可能存在错误，需通过反馈机制修正。

许可证：

项目采用 Apache-2.0 许可证。

官方链接

GitHub 仓库: https://github.com/MemTensor/MemOS
官方文档: https://memos-docs.openmem.net/
项目主页: https://memos.openmem.net/
ArXiv 论文: https://arxiv.org/abs/2507.03724
Discord: https://discord.gg/Txbx3gebZR
X (Twitter): https://x.com/MemOS_dev
评估框架: https://github.com/MemTensor/OmniMemEval

信息来源和分析时间

信息来源：GitHub 仓库 README、文档目录（docs/cn/）、贡献指南、安装指南、示例代码、评估文档等。
分析时间：2026-08-01（基于仓库最新 Release v2.0.27 的发布时间 2026-07-31）。

项目概览