MemMachine 智能体记忆层
为 AI 智能体提供可跨会话保存、检索和复用的长期记忆。
- Star 数
- ★ 3.1k
- 最近更新
- 3 天前
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 证据不足
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API · Claude API
- 费用
- 有免费版，另有付费云服务
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 销售团队使用 CRM Agent 时，需要按客户和会话找回既往沟通记录与交易阶段。
- 不适合
- 只想安装 Python 包、不想部署 MemMachine Server 的开发者
- 不愿同时运维图数据库与 SQL 存储的团队
- 需要完整认证、多租户隔离与备份方案的企业
这个 Agent 能做什么，适合哪些场景？
MemMachine 是面向 AI 智能体与 LLM 应用的开源长期记忆层，用于将原本无状态的对话变为可延续的上下文。它提供 Working Memory、图式 Episodic Memory 和以 SQL 存储的 Profile Memory。应用可通过 Python SDK、REST API、TypeScript SDK 或原生 MCP Server 接入，并可使用本地、自托管 Docker 或托管服务部署路径。其 MCP 入口提供 memmachine-mcp-stdio 与 memmachine-mcp-http 命令，面向 Claude Desktop、Cursor 等兼容 MCP 的客户端。采用它意味着应用仍需运行 MemMachine Server，并为情景记忆和用户资料准备相应的图数据库与 SQL 持久化边界。
应用先连接正在运行的 MemMachine Server，再通过 MemMachineClient 的 get_or_create_project(org_id, project_id) 获取或创建项目。随后调用 project.memory(group_id, agent_id, user_id, session_id) 创建某个用户会话的记忆实例，以 memory.add(content, metadata=...) 写入一条记忆，并以 memory.search(query) 检索结果；示例从 results.content.episodic_memory.long_term_memory.episodes[0].content 读取召回内容。系统将会话型 Episodic Memory 持久化到图数据库，将用户事实和偏好等 Profile Memory 存入 SQL，并提供 stdio 或 HTTP 形式的 MCP 服务端入口。
- 销售团队使用 CRM Agent 时，需要按客户和会话找回既往沟通记录与交易阶段。
- 医疗导航类助手需要在后续会话中保留医疗历史，并持续跟踪治疗进度。
- 个人理财顾问在多轮咨询之间保存用户的投资组合偏好与风险承受能力。
- 写作助手在不同会话中记住用户的风格指南和术语，以保持输出一致。
- 使用 LangChain、LangGraph、CrewAI、LlamaIndex、AWS Strands、n8n、Dify 或 FastGPT 的团队需要接入持久化记忆后端。
如何安装或部署这个 Agent？
先启动一个 MemMachine Server；该服务是客户端运行的前提。然后执行：
pip install memmachine-client文档说明可选择本地启动服务器、自托管 Docker 或使用托管平台，但未给出本地服务器、Docker、认证或数据库配置的可复制命令。若使用托管平台，可创建免费账户；具体凭证配置未说明。
如何使用这个 Agent？
将客户端的 base_url 指向运行中的服务，例如 http://localhost:8080；再依次调用 get_or_create_project、project.memory、memory.add 和 memory.search。提供的 Python 示例中 import 行含有重复的 import，无法原样执行；未提供可复制的修正导入语句，因此需要在采用前确认 memmachine-client 当前版本的导入方式。MCP 客户端可按需求启动 memmachine-mcp-stdio，或为 Web 客户端启动 memmachine-mcp-http。
这个 Agent 有哪些优点和局限？
- 同时区分工作记忆、跨会话情景记忆和用户档案记忆，而非仅保存单一会话文本。
- 情景记忆使用图数据库、档案记忆使用 SQL，存储职责在架构中明确分离。
- 同一能力可从 Python SDK、REST API、TypeScript SDK 和 MCP Server 接入。
- 明确列出 LangChain、LangGraph、CrewAI、LlamaIndex、AWS Strands、n8n、Dify 与 FastGPT 集成。
- 客户端依赖正在运行的 MemMachine Server，不能仅安装 Python 包后独立工作。
- 持久化架构涉及图数据库和 SQL 数据库，增加部署、运维与数据治理工作。
- 提供的 Quick Start Python 示例含有语法错误的 import 行，无法直接复制运行。
- 未说明认证、授权、数据隔离、备份、升级迁移或故障恢复的具体机制。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| MemMachine 智能体记忆层 当前 | 证据不足 | 代码库 / SDK免费版 + 付费版 | ★ 3.1k | 3 天前 | Python | OpenAI API · Claude API |
| MCP Memory Service | 68 · 存在缺口 | MCP 服务器免费 | ★ 2.1k | 1 天前 | Python | ChatGPT · Codex · Claude Code · Claude.ai |
| mcp-agent | 53 · 缺口较多 | 开发框架免费 + 模型费 | ★ 8.6k | 9 个月前 | Python | Claude.ai · OpenAI API · Claude API |
| Hindsight | 46 · 缺口较多 | 自托管服务免费版 + 付费版 | ★ 59k | 今天 | Python | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据不足：仓库未提供权限模型、用户确认机制、数据流透明性、敏感数据处理、依赖安全审计、外部影响控制、回滚机制或来源归属的明确说明。所有标准均因缺乏证据而评为0。
证据不足：未提供自一致性、依赖可用性或失败消息的明确证据。所有标准均因缺乏证据而评为0。
证据不足：未提供目标受众、能力边界、触发精度或环境适配的明确证据。所有标准均因缺乏证据而评为0。
证据不足：未提供信息架构、安装说明、命名稳定性、示例/FAQ、已知限制、许可证、版本控制/变更日志或维护责任的明确证据。所有标准均因缺乏证据而评为0。
证据不足：未提供输出可用性、边际价值或成本效益的明确证据。所有标准均因缺乏证据而评为0。
证据不足：未提供声明可追溯性、跨来源佐证或事实/推断分离的明确证据。所有标准均因缺乏证据而评为0。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 仓库仅提供README、LICENSE、SECURITY.md、pyproject.toml和部分CI工作流，未包含源代码、测试或详细文档，无法进行有意义的静态评估。
- 所有标准均因证据不足评为0，不代表项目存在缺陷，而是缺乏可评估的证据。
- 建议获取完整源代码和文档后再进行深入评估。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
What's Changed * feat: add BEAM benchmark support by @junttang in https://github.com/MemMachine/MemMachine/pull/1317 * Docs: Removing Playground References by @SarahScargall in https://github.com/MemMachine/MemMachine/pull/1413 * Chore: Automate Dependabot uv.lock repair and add scheduled CVE auto-fix workflow by @sscargal with @Copilot in https://github.com/MemMachine/MemMachine/pull/1414 * feat(language_model): add LiteLLM provider for 100+ backings by @RheagalFire in https://github.com/MemMachine/MemMachine/pull/1386 …在 GitHub 查看 ↗ -
发布说明摘录
What's Changed * docs: clarify filter prefix requirements by @haosenwang1018 in https://github.com/MemMachine/MemMachine/pull/1352 * docs(common): add package readme metadata by @haosenwang1018 in https://github.com/MemMachine/MemMachine/pull/1338 * docs(client): prefer released pip install instructions by @haosenwang1018 in https://github.com/MemMachine/MemMachine/pull/1335 * fix(ts-client): include readme in published package by @haosenwang1018 in https://github.com/MemMachine/MemMachine/pull/1340 …在 GitHub 查看 ↗ -
发布说明摘录
What's Changed * Embedded VectorStore Implementation(s) by @edwinyyyu in https://github.com/MemMachine/MemMachine/pull/1292 * docs: regenerate openapi.json by @github-actions[bot] in https://github.com/MemMachine/MemMachine/pull/1385 * Fix Installation Test CI by @edwinyyyu in https://github.com/MemMachine/MemMachine/pull/1389 * update legacy LoCoMo eval scripts to current MemMachine API by @1saac-k in https://github.com/MemMachine/MemMachine/pull/1272 …在 GitHub 查看 ↗