1. 项目定位与用途
MemOS 定位为 AI Agent 的内存操作系统，统一管理长期记忆的存储、检索与演化，使 LLM 应用具备持续学习与个性化能力。它通过标准化的记忆抽象，将记忆作为一等公民集成到 Agent 工作流中，支持从简单对话到复杂多代理系统的各类场景。项目提供 Python 核心库、REST API 服务、OpenClaw 插件及 Web 仪表板，形成完整的记忆生态。
项目档案库 / SDK
MemOS AI 内存操作系统 - 为 LLM 与 Agent 提供持久化记忆管理，支持混合检索与技能进化，降低 token 消耗
MemOS 是面向 LLM 与 AI Agent 的内存操作系统，提供长期记忆的存储、检索与管理。支持云服务与本地部署双模式，通过混合搜索、技能进化与多代理协作，实现上下文感知的个性化交互，降低 72% token 使用量。本页包含项目介绍、安装指南、API 文档与使用示例。
AI 总结
MemOS 是一个面向 LLM 与 AI Agent 的内存操作系统，通过持久化记忆管理、混合检索与技能进化，实现上下文感知的个性化交互，显著降低 token 消耗并提升任务准确性。
中文项目介绍
MemOS 是 MemTensor 开发的 AI 内存操作系统，专为大语言模型（LLM）与 AI Agent 设计，提供长期记忆的存储、检索与管理统一方案。
它解决大模型上下文窗口限制与记忆碎片化问题，构建持久化、可共享、可进化的技能记忆系统，使 Agent 能跨任务复用与演化经验，同时降低 API 调用成本。
技术层面，MemOS 采用 FastAPI 构建 RESTful 服务，支持模块化嵌入与分块后端（Ollama/HuggingFace/OpenAI 等），采用 SQL + 可选 Neo4j 的混合存储架构。核心流程涵盖摄取、分块、嵌入、存储到召回的全链路。
项目提供云服务与本地部署双模式：云插件通过 API 密钥接入，实现 72% token 节省与多代理记忆共享；本地插件提供 Web 仪表板、混合搜索、技能热更新与完全数据私有化。适用于构建长期记忆助手、多 Agent 协作、隐私优先离线应用及技能库积累场景。
详细信息与使用说明
2. 解决的问题
MemOS 主要解决三大痛点：一是大模型上下文窗口限制与记忆碎片化，通过外部记忆库扩展有效上下文；二是技能无法跨任务复用，通过可进化技能记忆实现经验积累与传递；三是高 token 消耗，通过智能检索替代全量历史加载，云模式可降低 72% token 使用。此外，多代理协作中的上下文交接与记忆共享也通过统一内存层得到简化。
3. 适用场景
典型场景包括：构建具有长期记忆与个性化能力的 AI 助手；多 Agent 协作系统中的记忆共享与上下文交接；本地隐私优先的离线 AI 应用；技能库的积累、复用与自动进化；优化 LLM 应用的成本与性能。项目在 LoCoMo、LongMemEval、PrefEval-10、PersonaMem 等基准测试中均取得显著提升，验证了其在长时记忆与个性化任务上的有效性。
4. 安装方式
Python 环境需 >= 3.10。核心库安装：pip install MemoryOS。可选功能通过 extras 安装，如 MemoryOS[tree-mem]、MemoryOS[mem-scheduler]。本地部署提供 install.sh（Linux/macOS）与 install.ps1（Windows）脚本自动安装依赖。云模式需从 MemOS Dashboard 获取 API 密钥。支持 Docker 与 Kubernetes 部署，参考 docker/.env.example 与 deploy/helm/values-example.yaml。
5. 使用方式
通过 REST API 交互：POST /product/add 添加记忆，POST /product/search 搜索记忆，详情见 docs/openapi.json。本地模式启动后提供 Web 仪表板（默认端口），包含 7 个管理页面用于监控与操作。集成 OpenClaw 等 Agent 框架时，配置 user_id 即可实现多实例记忆共享。技能开发与热更新位于 apps/memos-local-openclaw/skill/ 目录。examples/ 目录提供嵌入、分块、API 调用等基础模块示例。
6. 实现特点
模块化架构：记忆捕获（capture）、嵌入生成（embedding）、数据摄取（ingest）、记忆召回（recall）、存储后端（storage）、技能管理（skill）、共享协作（sharing）相互独立。混合检索：结合向量搜索与 FTS5 全文检索。技能进化：支持技能注册、复用与自升级。多代理隔离与共享：通过用户级与技能级权限控制。可插拔设计：嵌入与分块后端可自由替换，存储层支持 MySQL、PostgreSQL 及可选的 Neo4j 图数据库与 Redis 缓存。
思维导图
MemOS
核心模块
记忆捕获 (capture)
嵌入生成 (embedding)
数据摄取 (ingest)
记忆召回 (recall)
技能管理 (skill)
共享协作 (sharing)
存储架构
SQL 数据库 (SQLAlchemy)
向量数据库 (Qdrant/Redis)
图数据库 (Neo4j 可选)
缓存层 (Redis)
部署模式
云服务 (Cloud Plugin)
本地部署 (Local Plugin)
Docker/K8s
关键特性
混合搜索 (向量+FTS5)
技能进化与热更新
多代理记忆隔离/共享
Web 仪表板 (7 页面)
集成方式
REST API (/product/add, /product/search)
OpenClaw 插件
Python SDK (MemoryOS 包)
CLI 工具 (memos)
常见问题
MemOS 是什么？主要解决什么问题？
MemOS 是一个面向 LLM 与 AI Agent 的内存操作系统，提供持久化记忆的存储、检索与管理。它解决大模型上下文窗口限制、记忆碎片化、技能无法跨任务复用以及高 token 消耗等问题，使 Agent 能积累和演化经验。
如何安装和部署 MemOS？
Python 环境需 >=3.10，核心库通过 pip install MemoryOS 安装。本地部署可使用 apps/memos-local-openclaw/ 下的 install.sh 或 install.ps1 脚本。云模式需从 MemOS Dashboard 获取 API 密钥并配置。也支持 Docker 与 Kubernetes 部署。
MemOS 支持哪些嵌入模型和存储后端？
嵌入后端支持 Ollama、HuggingFace（SentenceTransformer）、OpenAI 和 Azure OpenAI，可通过配置切换。存储层基于 SQLAlchemy 抽象，支持 MySQL/PostgreSQL，可选集成 Neo4j 图数据库与 Redis 缓存，实现混合检索。
如何实现多 Agent 之间的记忆共享？
云模式下，多个 Agent 实例使用相同的 user_id 即可自动共享记忆池，实现上下文交接。本地模式通过 Hub 功能进行技能与记忆的隔离与共享，支持多代理协作同时保证数据权限控制。
MemOS 是否支持完全离线的本地部署？
支持。本地插件提供 100% 设备端内存存储，数据完全私有，不依赖云服务。包含 Web 仪表板、混合搜索（向量+FTS5）、技能热更新、多代理协作等功能，适合隐私敏感场景。