MemTensor/MemOS

⭐ 9,005  ·  TypeScript  ·  GitHub 仓库

面向LLM与AI Agent的自进化记忆操作系统：具备超持久记忆、混合检索及跨任务技能复用能力，可节省35.24%的令牌消耗

agent agentic-ai ai ai-agents chatgpt claude hermes llm

一句话总结

一款面向LLM的自进化记忆操作系统，在将Token成本降低35.24%的同时，将准确率提升43.7%。

🔥 核心能力与独特卖点

• 自进化三层记忆架构（L1/L2/L3）
  自动从原始追踪记忆（L1）演进为可执行策略（L2）和抽象世界模型（L3）。技能通过反馈机制不断结晶固化，彻底告别手动记忆管理，实现智能体的持续进化。

• 可检视的图结构统一API
  用完全透明、可查询的记忆图谱取代黑盒嵌入存储。开发者可对任意记忆节点进行增删改查，实现对智能体记忆前所未有的控制力和可调试性——与黑盒方案形成鲜明对比。

• 多模态与多立方体知识库
  原生支持文本、图像、工具调用轨迹和角色设定，统一纳入单一记忆系统。可跨用户、项目和智能体管理多个隔离或组合的知识"立方体"，彻底解决多智能体架构中记忆碎片化的痛点。

• 异步MemScheduler，生产级弹性保障
  基于Redis Streams实现毫秒级延迟、任务优先级队列和自动恢复机制。在高并发场景下保持稳定运行，这是企业级部署的硬性需求，而传统同步记忆系统根本无法满足。

• 记忆反馈与修正循环
  支持通过自然语言指令对现有记忆进行精炼、修正、补充或替换。系统既具备自适应性，又保留用户可控性，直接攻克当前LLM智能体普遍存在的"健忘"和"固执"两大顽疾。

独特卖点： MemOS是目前唯一同时具备自进化技能结晶、可检视图API和企业级异步调度的开源记忆系统——在准确率提升和Token节省方面，其可量化的实际效果是其他记忆方案无法比拟的。

技术架构

组件	技术栈	职责
记忆图引擎	Python, SQLite	L1/L2/L3记忆层的核心存储与图遍历
任务调度器	Redis Streams	记忆操作的异步、优先级、自动恢复队列
混合搜索	FTS5 + 向量嵌入	结合全文搜索与语义向量检索，实现最优召回
插件系统	MCP协议	可扩展接口，支持Hermes Agent、OpenClaw及未来集成
部署方案	Docker, 云API	本地优先，可选云同步；支持自托管或托管云模式

架构亮点：

• 本地优先存储，可选云同步，实现混合部署
• 多层进化机制，记忆从原始轨迹自动成熟为抽象策略
• 混合检索，融合关键词精确匹配（FTS5）与语义理解（向量）
• 企业级优化，高并发下仍保持亚100毫秒延迟

快速入门指南

# 克隆仓库
git clone https://github.com/MemTensor/MemOS.git
cd MemOS

# 安装依赖
pip install -r ./docker/requirements.txt

# 配置环境变量
cp docker/.env.example MemOS/.env
# 编辑 MemOS/.env，填入你的OpenAI和嵌入服务商API密钥

# 通过Docker启动
docker-compose up -d

启动后，MemOS API即可通过统一记忆接口与你的LLM智能体集成。

优势、局限与使用场景

优势

• 可量化的性能提升：基准测试验证，相比OpenAI Memory准确率提升43.70%，Token节省35.24%
• 完全开源，支持双部署模式（自托管或云API）
• 多模态支持，文本、图像、工具调用轨迹和角色设定统一纳入单一图谱
• 持续活跃开发，定期更新、详细变更日志，社区不断壮大

局限

• 外部API依赖：需OpenAI和嵌入服务商密钥才能发挥全部功能
• 自托管配置复杂：涉及Redis、Docker及多项服务依赖
• 插件生态有限：目前仅原生支持Hermes Agent和OpenClaw
• 云同步隐私顾虑：对敏感工作负载，云同步可能引入延迟或数据驻留问题

不建议使用的人群

• 开发简单聊天机器人的团队：无需长期记忆或个性化功能——MemOS对无状态、单轮交互场景而言过于复杂
• 缺乏DevOps支持的团队：无法管理Redis、Docker和异步基础设施
• 要求零外部API依赖的项目（例如完全离线、无互联网接入的环境）
• 需要实时、亚毫秒级记忆操作的应用：虽然速度很快，但异步调度器相比同步内存方案仍会引入一定延迟

理想使用场景

• 生产级AI智能体：需要跨会话、跨任务的持久化、自进化记忆
• 多智能体系统：需要共享、可检视的知识库，并支持隔离的用户上下文
• 企业级个性化：智能体需在数周交互中持续学习用户偏好和技能
• LLM记忆架构研究：可检视图和进化层级为研究提供极大便利

社区与活跃度

拥有 9,005 颗星，最近更新于 2026年5月10日，MemOS显然是一个高速迭代、社区热度极高的项目。活跃的开发节奏、详细的变更日志以及不断壮大的生态（Hermes Agent、OpenClaw插件）表明，这绝非一个概念验证项目，而是一款正在被广泛采用的生产级工具。学术级基准测试与工程实践（Docker、Redis Streams）的完美结合，使其成为致力于解决LLM智能体记忆瓶颈的团队的不二之选。