MemoryOS 个性化AI智能体记忆操作系统
为个性化AI智能体提供分层存储、动态更新、检索与生成的记忆操作系统，显著提升长对话中的连贯性和个性化。
- Star 数
- ★ 1.6k
- 最近更新
- 3 个月前
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 31/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 兼容但需适配OpenAI APIClaude Code · Claude API（部分支持）
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 开发者在构建聊天机器人或 AI 助手时，需要长期记住用户偏好和对话历史，可使用 MemoryOS 增强个性化交互。
- 不适合
- 只想做简单无状态对话、不需要长期记忆的应用
- 不愿申请 Playground 邀请码或配置 API 密钥的用户
这个 Agent 能做什么，适合哪些场景？
MemoryOS 是一个用于个性化 AI 智能体的记忆操作系统，受操作系统内存管理原理启发，采用分层存储架构，包含存储、更新、检索和生成四个核心模块，实现全面高效的记忆管理。在 LoCoMo 基准上，F1 分数平均提升 49.11%，BLEU-1 平均提升 46.18%。项目提供 PyPI 库、MCP 服务器、Docker 镜像和在线 Playground 多种使用方式，支持主流 LLM（如 OpenAI、Deepseek、Qwen）和向量数据库（如 ChromaDB）。
MemoryOS 将用户与 AI 的对话历史存储在短期、中期和长期记忆中，通过更新模块对短期记忆进行整合（short_term.py 和 mid_term.py），并基于“热度”阈值将中期记忆分析以更新长期用户画像（updater.py）。当用户查询时，检索器（retriever.py）从各层记忆抓取相关上下文，与用户问题一起发送给 LLM 生成个性化回答。提供 MCP 工具（add_memory、retrieve_memory、get_user_profile）和 Python API（Memoryos 类）。
- 开发者在构建聊天机器人或 AI 助手时，需要长期记住用户偏好和对话历史，可使用 MemoryOS 增强个性化交互。
- 产品团队需要在多会话中保持上下文连贯性，比如客服系统或教育辅导应用。
- 研究人员可复现论文结果（eval 目录）或在 LoCoMo 基准上比较记忆管理性能。
- 希望快速集成记忆功能的 MCP 客户端（如 Cline、Claude Desktop）用户，可配置 MemoryOS-MCP 服务器。
- 需要本地部署或隔离环境的用户，可使用 Docker 镜像快速启动。
如何安装或部署这个 Agent？
可通过 PyPI 安装：pip install memoryos-pro -i https://pypi.org/simple；或克隆 GitHub 仓库：git clone https://github.com/BAI-LAB/MemoryOS.git，然后进入 memoryos-pypi 目录执行 pip install -r requirements.txt。要求 Python >= 3.10。
如何使用这个 Agent？
安装后导入 from memoryos import Memoryos，初始化时提供 user_id、openai_api_key、data_storage_path、llm_model 等参数。调用 add_memory(user_input, agent_response) 存入记忆，调用 get_response(query) 获取个性化回答。配置 MCP 服务器需编辑 config.json 并以 python server_new.py --config config.json 启动。
这个 Agent 有哪些优点和局限？
- 在 LoCoMo 基准上提供可度量的大幅提升（F1 +49.11%，BLEU-1 +46.18%）。
- 模块化架构支持即插即用的存储引擎、更新策略和检索算法。
- 提供 MCP 服务器，易于集成到现有 AI 应用和客户端。
- 支持多种 LLM（OpenAI、Deepseek、Qwen 等）和向量数据库，灵活通用。
- 需要提供 OpenAI API key（或兼容端点），可能产生成本。
- 默认依赖 OpenAI API，过渡到本地模型需额外配置。
- 文档仍不完整，某些功能（如 Playground）需要邀请码。
- 记忆能力依赖于上下文中使用的存储，可能不适合不需要长期记忆的场景。
这个 Agent 与同类方案有什么区别？
在待办列表中，作者计划提供与 Mem0、Zep 和 OpenAI 的跨模型比较，但目前尚无正式对比数据。
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 |
|---|---|---|---|---|---|---|
| MemoryOS 个性化AI智能体记忆操作系统 当前 | 31 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 1.6k | 3 个月前 | Python | OpenAI API |
| Nocturne Memory：MCP 长期记忆服务器 | 56 · 缺口较多 | MCP 服务器免费 | ★ 1.4k | 26 天前 | Python | — |
| txtai 全功能AI框架 | 58 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 13k | 2 天前 | Python | OpenAI API · Claude API |
| Mnemosyne | 59 · 缺口较多 | 命令行工具免费 | ★ 3.5k | 今天 | Python | Codex · Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示：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、外部影响、回滚或来源归属的说明。所有信任相关标准均未得到支持，因此得分为0。
证据显示：README中提供了多个安装路径（PyPI、GitHub、Docker）和配置示例，但未提供错误处理或失败消息的文档。自一致性部分：README中提到的模块结构与实际文件列表基本一致，但未提供详细的API文档。依赖可用性：列出了依赖项，但未提供版本锁定或兼容性说明。因此，自一致性得分为1，依赖可用性得分为1，失败消息得分为0。
证据显示：README明确列出了目标受众（AI代理开发者）和多种使用场景（PyPI、MCP、Docker、Playground），并提供了配置示例。能力边界：描述了核心模块和功能，但未明确说明限制。触发精度：提供了配置参数（如similarity_threshold），但未详细说明触发条件。环境适配：支持多种LLM和向量数据库，但未提供详细的系统要求。因此，受众和场景得分为2，能力边界得分为1，触发精度得分为1，环境适配得分为2。
证据显示：README提供了清晰的项目结构、安装说明、示例代码和FAQ（通过文档链接）。命名稳定性：模块名称在README中一致，但未提供版本历史。已知限制：未明确列出。许可证：Apache-2.0许可证文件存在。版本和变更日志：README中有新闻更新，但未提供正式的CHANGELOG。维护责任：提供了联系邮箱和社区链接，但未明确维护者。因此，信息架构得分为2，安装说明得分为2，命名稳定性得分为1，示例和FAQ得分为2，已知限制得分为1，许可证得分为2，版本和变更日志得分为1，维护责任得分为1。
证据显示：README提供了使用示例和输出格式，但未提供详细的输出质量保证。边际价值：声称在LoCoMo基准上显著提升，但未提供独立验证。成本效益：未提供性能或成本数据。因此，输出可用性得分为1，边际价值得分为2，成本效益得分为1。
证据显示：README引用了arXiv论文和基准结果，但未提供详细的复现步骤。交叉来源：提供了论文链接和网站，但未提供第三方验证。事实与推断分离：README中区分了声称和引用，但未明确标注。因此，声明可追溯性得分为2，交叉来源佐证得分为1，事实与推断分离得分为1。
- 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。
- 仓库未提供任何安全或权限相关文档，使用前需自行评估风险。
- 依赖项未锁定版本，可能存在供应链风险。
- 未提供明确的回滚或数据恢复机制。
- 性能声明（如49.11%提升）缺乏独立验证。
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。
-
V1.2 Added support for the ChromaDB vector database and fixed the issue with the fixed LLM calls within it.
-
发布说明摘录
Enhanced MCP and PyPI parallelization, added support for multiple embedding models, and removed *llm\_extract\_keywords* because it was redundant and increased token usage.在 GitHub 查看 ↗ -
v1.0 First release on GitHub
常见问题
MemoryOS 需要多少成本？
能否使用本地模型？
记忆数据存储在哪里？
data_storage_path 指定本地目录，也可以选择 ChromaDB 作为向量数据库。