MemOS

MemOS 快速入门

Agent 的操作系统级记忆 —— 超持久、自进化、省 Token。

这是什么？适合谁？

MemOS 是自进化记忆操作系统（Memory Operating System），为 LLM 和 AI Agent 提供统一的 store/retrieve/manage 长期记忆能力。核心由 TypeScript 实现，支持多模态记忆、知识立方体（Multi-Cube）管理、异步摄取和高精度检索。GitHub 10.3K+ stars，Apache-2.0 开源。

核心特性：

• 统一记忆 API：单一 API 完成添加、检索、编辑、删除，以图结构组织记忆
• 多模态记忆：原生支持文本、图像、工具轨迹、Persona，统一检索
• 多知识立方体：多个知识库作为可组合的 Memory Cube，支持隔离和动态组合
• 异步摄取（MemScheduler）：毫秒级延迟的生产级异步处理
• 记忆反馈与修正：自然语言反馈来补充、替换或修正已有记忆
• 基准表现：LoCoMo 88.83 / LongMemEval 89.20 / OmniMemEval 领先

适合谁？一是需要降低 Token 消耗的 Agent 开发者（官方宣称节省 35.24%）；二是需要跨任务知识复用的系统；三是需要超持久记忆的长期 Agent。不适合：简单的一次性问答场景。

准备工作

MemOS 提供四种接入方式，选择适合你的场景：

3 步快速上手（Cloud API 方式——最快入门）

第 1 步：获取 API Key

前往 MemOS Dashboard 注册并获取 API Key（以 mpg- 开头）。

第 2 步：记忆存储

import requests

API_KEY = "mpg-xxx"  # 从 MemOS Dashboard 获取
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": "我偏好使用 Python 进行数据分析"}],
})

第 3 步：检索记忆

res = requests.post(f"{BASE}/search/memory", headers=HEADERS, json={
    "query": "数据分析偏好",
    "user_id": "alice",
})
print(res.json())
# 将返回相关性最高的记忆条目

Self-Host 方式入门

第 1 步：克隆并配置

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
cp docker/.env.example .env
# 填写 .env 中的 API Key

第 2 步：启动服务

cd docker
docker compose up  # 启动 MemOS API + Neo4j + Qdrant

API 在 http://localhost:8000 提供服务。

第 3 步：基本使用

import requests, json

HEADERS = {"Content-Type": "application/json"}
BASE = "http://localhost:8000/product"

# 1. 创建记忆立方体
requests.post(f"{BASE}/create_cube", headers=HEADERS, json={
    "cube_name": "Alice 的记忆",
    "owner_id": "alice",
    "cube_id": "alice_cube",
})

# 2. 添加记忆
requests.post(f"{BASE}/add", headers=HEADERS, json={
    "user_id": "alice",
    "writable_cube_ids": ["alice_cube"],
    "messages": [{"role": "user", "content": "我喜欢草莓"}],
    "async_mode": "sync",
})

# 3. 搜索记忆
res = requests.post(f"{BASE}/search", headers=HEADERS, json={
    "query": "我喜欢什么水果",
    "user_id": "alice",
    "readable_cube_ids": ["alice_cube"],
})
print(res.json())

初级用法

使用 Python SDK

from memos import MemOS

# 初始化
memory = MemOS()

# 学习知识
memory.learn("Python 中列表推导式比 for 循环更快")

# 召回知识
result = memory.recall("Python 性能优化")
print(result)

使用 Local Plugin（Hermes Agent）

# 安装本地插件
npm install @memtensor/memos-local-plugin

# 配置后即可在 Hermes 中启用

高级玩法

多立方体知识库隔离

# 为不同项目创建独立的记忆空间
project_cube = {"cube_id": "proj_x", "owner_id": "alice"}
personal_cube = {"cube_id": "personal", "owner_id": "alice"}

# 搜索时组合多个 Cube
requests.post(f"{BASE}/search", json={
    "query": "项目配置",
    "user_id": "alice",
    "readable_cube_ids": ["proj_x", "personal"],
})

记忆反馈与修正

# 通过自然语言修正记忆
requests.post(f"{BASE}/feedback", json={
    "memory_id": "mem_123",
    "user_id": "alice",
    "feedback": "这条记忆不准确，我实际偏好 PyTorch 而非 TensorFlow"
})

结合 Hermes Agent 的本地插件（2.0 版本）

MemOS Local Plugin 2.0 为 Hermes Agent 和 OpenClaw 提供自进化记忆能力，支持 L1 轨迹、L2 策略、L3 世界模型、结晶 Skill 四层存储架构，本地优先、零云依赖、反馈驱动检索。

小技巧

1. Token 节省策略：MemOS 通过去重和压缩记忆，官方测试可节省 35.24% Token 消耗
2. 同步 vs 异步：高并发场景使用 async_mode: true，MemScheduler 会异步处理记忆写入
3. 利用 OmniMemEval 数据集测试：使用 OmniMemEval 评估你的记忆系统表现
4. 定期查看记忆 Dashboard：Cloud 版本提供可视化 Dashboard，方便管理记忆库
5. 多 Agent 协作：通过 Memory Cube 的读写权限控制，实现 Agent 间记忆共享和隔离

常见踩坑

踩坑 1：Self-Host 方式 Docker 启动失败

• 症状：docker compose up 报容器连接错误
• 原因：Neo4j 和 Qdrant 需要一定的启动时间
• 解决：先单独启动数据库：docker compose up neo4j qdrant，等它们就绪后再启动 API

踩坑 2：Cloud API 连接超时

• 症状：请求 MemOS Cloud 接口返回超时
• 原因：防火墙或代理限制
• 解决：检查网络是否能访问 memos.memtensor.cn，必要时配置代理

踩坑 3：检索结果为空

• 症状：搜索后返回空结果
• 原因：记忆尚未写入或搜索 cube_id 不匹配
• 解决：确认 writeable_cube_ids 和 readable_cube_ids 包含相同的 cube_id

踩坑 4：Token 消耗统计不准确

• 症状：实际 Token 节省低于官方宣称的 35.24%
• 原因：官方数据基于特定测试场景（OmniMemEval 基准）
• 解决：在不同数据集上自行测试 Token 节省率，调整记忆去重策略

踩坑 5：多模态记忆上传失败

• 症状：上传图片等非文本内容时 API 报错
• 原因：文件大小或格式不支持
• 解决：检查文件大小限制（通常 10MB），确保图片格式为 JPEG/PNG

踩坑 6：版本兼容问题

• 症状：Local Plugin 与 Hermes Agent 版本不匹配
• 解决：检查 MemOS Plugin 版本要求，使用 npm install @memtensor/memos-local-plugin@latest

踩坑 7：本地模式 SQLite 性能瓶颈

• 症状：大量记忆写入时变慢
• 解决：切换到 Cloud API 或 Self-Host 方式，使用 Neo4j + Qdrant 获得更好性能

常见问题 FAQ

Q1: MemOS 的定价是怎样的？

A: MemOS 开源版本完全免费（Apache-2.0）。Cloud API 有免费额度，超过后按量计费。具体定价请访问 MemOS Cloud Dashboard 查看最新价格。Self-Host 方式不需要任何 MemOS 相关费用，但需要自己承担服务器和数据库成本。来源

Q2: MemOS 与 EverOS、Mem0 相比有什么优势？

A: MemOS 的差异化在于：① 多模态记忆（文本+图像+工具轨迹）；② Memory Cube 机制实现细粒度知识隔离与共享；③ 学术级基准表现（LoCoMo 88.83, LongMemEval 89.20）；④ Async Scheduler 支持高并发生产环境。EverOS 更侧重本地 Markdown 原生，Mem0 更偏纯 API 服务。来源

Q3: MemOS 支持中文吗？

A: 支持。中文内容的 Embedding 和检索效果取决于所使用的 Embedding 模型。MemOS Cloud 使用多语言 Embedding 模型，中文检索效果良好。来源

Q4: 本地插件和 Cloud API 的数据可以互通吗？

A: 目前本地插件数据存储在本地 SQLite 中，Cloud API 数据在 MemOS 云端。两者不自动同步。如果需要迁移，可通过 MemOS API 导出/导入记忆。来源

Q5: MemOS 如何保证数据隐私？

A: Cloud API 数据加密传输并存储在 MemOS 云基础设施上；Local Plugin 和 Self-Host 方式数据完全在你的控制之下。使用 Local Plugin 时零云端依赖。如果你的隐私要求较高，建议使用 Local Plugin 或 Self-Host 方案。来源

进阶学习建议

1. 阅读论文：MemOS 团队的论文 ArXiv 2507.03724 详细介绍了系统设计
2. 探索 OmniMemEval：使用 OmniMemEval 评估和对比不同记忆方案的性能
3. 实践 Hermes 集成：在 Hermes Agent 中配置 MemOS Local Plugin，体验自进化记忆
4. 多 Agent 场景：尝试搭建多 Agent 系统，利用 Memory Cube 的隔离与共享机制
5. 社区交流：加入 MemOS Discord 和关注 X @MemOS_dev 获取最新动态
6. 基准对比：阅读 Awesome AI Memory 资源列表，了解 Agent 记忆领域全貌

参考链接

• MemOS GitHub
• MemOS 官方文档
• MemOS Cloud Dashboard
• MemOS 论文 (ArXiv)
• Awesome AI Memory

免责声明：本文档基于 MemOS 开源项目（Apache-2.0）编写，内容仅供参考。Token 节省数据（35.24%）为官方基准测试结果，实际效果因使用场景而异。使用 Cloud API 需遵守 MemOS 云服务条款。项目 Star 数、基准数据等来自 GitHub API / 官方 README（2026-07-23 快照）。