MemOS 记忆操作系统深度解析

一、项目概述

什么是 MemOS

MemOS（Memory Operating System）是一个面向 LLM 和 AI Agent 的记忆操作系统，提供 OS 级别的记忆层。它将记忆作为可管理的系统资源进行统一表示、调度和演化。

📚 参考链接：
GitHub: https://github.com/MemTensor/MemOS
文档: https://memos.openmem.net
论文: arXiv:2507.03724

二、核心架构

三层架构设计

核心模块

MOS (Memory Operating System)

编排层，管理跨多种记忆类型的预测性异步调度。连接 MemCube 容器与 LLM，提供统一的 API（添加、搜索、更新、转移、回滚），支持跨模型、跨设备的互操作性（MIP 协议）。

MemCube (记忆立方体)

模块化、可移植的记忆容器，类似灵活的知识"卡带"。支持用户、Agent 或会话级别的记忆存储，可跨会话、模型、设备动态注册、更新、移除。

三类记忆类型

Plaintext Memory 子类

• GeneralTextMemory: 基于向量的灵活存储，支持语义搜索和元数据过滤
• TreeTextMemory: 层次化图结构记忆，结合树形层次和跨分支链接，支持 Neo4j 图数据库

三、核心功能

统一 Memory API

from memos.api.client import MemOSClient

client = MemOSClient(api_key="YOUR_API_KEY")

# 添加记忆
client.add_message(
    messages=[
        {"role": "user", "content": "I like coffee. Please remember this."}
    ],
    user_id="user_123",
    conversation_id="conv_001"
)

# 搜索记忆
result = client.search_memory(
    query="What do I like to drink?",
    user_id="user_123",
    conversation_id="conv_001"
)

# 记忆反馈修正
client.feedback_memory(
    user_id="user_123",
    memory_id="mem_xxx",
    feedback="纠正：我更喜欢茶而不是咖啡"
)

# 删除记忆
client.delete_memory(
    user_id="user_123",
    memory_id="mem_xxx"
)

多模态记忆支持

# 文本记忆
text_memory = {
    "type": "text",
    "content": "用户喜欢在周末去咖啡馆工作"
}

# 图像记忆
image_memory = {
    "type": "image",
    "content": "用户上传了产品设计图",
    "image_url": "https://example.com/design.png"
}

# 工具调用记忆
tool_memory = {
    "type": "tool_trace",
    "tool_name": "web_search",
    "input": "MemOS 文档",
    "output": "找到相关文档...",
    "timestamp": "2025-12-24T10:00:00Z"
}

知识库管理

# 上传文档
client.upload_document(
    user_id="user_123",
    mem_cube_id="kb_001",
    file_path="./docs/product_manual.pdf",
    metadata={"source": "product_manual", "category": "technical"}
)

# 解析 URL
client.parse_url(
    user_id="user_123",
    mem_cube_id="kb_001",
    url="https://example.com/article"
)

MemScheduler 异步调度

基于 Redis Streams 的异步任务调度，支持任务优先级、自动恢复和配额调度。

四、部署指南

快速开始（云服务）

# pip install MemoryOS -U
from memos.api.client import MemOSClient

client = MemOSClient(api_key="YOUR_API_KEY")
# 5 分钟集成，毫秒级响应

本地部署（Docker）

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

# 2. 配置 .env 文件
# 创建 MemOS/.env，配置 LLM API Key、嵌入模型、数据库连接等

# 3. 启动服务
cd docker
docker compose up

# 4. 验证部署
# 访问 http://localhost:8000/docs 查看 API 文档

环境变量配置

# LLM 配置
OPENAI_API_KEY=sk-xxx
MOS_CHAT_MODEL=qwen3-max

# 嵌入模型配置
MOS_EMBEDDER_MODEL=text-embedding-v4
MOS_EMBEDDER_API_BASE=https://dashscope.aliyuncs.com/compatible-mode/v1
EMBEDDING_DIMENSION=1024

# 图数据库配置
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=12345678

# 向量数据库配置
QDRANT_HOST=qdrant-docker
QDRANT_PORT=6333

本地插件（MemOS Lite）

对于 OpenClaw 用户，提供 100% 本地插件：

# macOS / Linux
curl -fsSL https://cdn.memtensor.com.cn/memos-local-openclaw/install.sh | bash

# Windows
powershell -c "irm https://cdn.memtensor.com.cn/memos-local-openclaw/install.ps1 | iex"

MemOS Lite 特点

• 零云依赖，数据完全本地存储（SQLite）
• 混合搜索（FTS5 + 向量）
• 任务摘要 & 技能演化
• 多 Agent 协作
• 完整的 Memory Viewer 可视化面板

五、API 参考

添加记忆

端点: POST /product/add

import requests
import json

data = {
    "user_id": "8736b16e-1d20-4163-980b-a5063c3facdc",
    "mem_cube_id": "b32d0977-435d-4828-a86f-4f47f8b55bca",
    "messages": [
        {"role": "user", "content": "I like strawberry"}
    ],
    "async_mode": "sync"
}

response = requests.post(
    "http://localhost:8000/product/add",
    headers={"Content-Type": "application/json"},
    data=json.dumps(data)
)
print(response.json())

搜索记忆

端点: POST /product/search

data = {
    "query": "What do I like",
    "user_id": "8736b16e-1d20-4163-980b-a5063c3facdc",
    "mem_cube_id": "b32d0977-435d-4828-a86f-4f47f8b55bca"
}

response = requests.post(
    "http://localhost:8000/product/search",
    headers={"Content-Type": "application/json"},
    data=json.dumps(data)
)

记忆反馈

端点: POST /product/feedback

data = {
    "user_id": "user_123",
    "memory_id": "mem_xxx",
    "feedback": "User prefers tea, not coffee"
}

删除记忆

端点: POST /product/delete

data = {
    "user_id": "user_123",
    "memory_id": "mem_xxx"
}

六、竞品对比

七、最佳实践

快速启动建议

1. 从 GeneralTextMemory 开始 → 2. 根据需要扩展到图结构记忆 → 3. 使用异步模式处理高并发场景 → 4. 配置合理的记忆优先级和 TTL

记忆组织策略

# 按用户组织 MemCube
user_cube = MemCube(
    cube_id="user_{user_id}",
    owner_type="user",
    sharing_policy="private"
)

# 按项目组织 MemCube
project_cube = MemCube(
    cube_id="project_{project_id}",
    owner_type="agent",
    sharing_policy="team",
    parent_cube_id="user_cube"
)

# 按会话临时组织
session_cube = MemCube(
    cube_id="session_{session_id}",
    owner_type="session",
    sharing_policy="private",
    ttl="24h"
)

性能优化

# 1. 使用批量操作
client.batch_add_messages(
    messages=[...],  # 批量添加
    user_id="user_123"
)

# 2. 配置适当的召回数量
search_config = {
    "top_k": 10,
    "similarity_threshold": 0.75,
    "use_reranker": True
}

# 3. 定期清理低价值记忆
client.cleanup_memory(
    user_id="user_123",
    retention_policy={
        "max_memories": 10000,
        "min_confidence": 0.5,
        "max_age_days": 90
    }
)

八、应用场景

企业级应用

个人助手

九、总结

MemOS 代表了 LLM 记忆管理的下一代范式：

• 统一性: 将参数记忆、激活记忆、文本记忆统一管理
• 可观测性: 图结构使记忆可追溯、可编辑
• 高效性: 异步调度和智能检索显著降低 Token 消耗
• 扩展性: 模块化设计支持多种后端和自定义插件
• 生产级: 经过企业验证的性能和稳定性

适用场景

• 需要长期记忆的 AI 助手
• 多 Agent 协作系统
• 企业知识管理系统
• 个性化推荐系统