FollowAgents AI AGENTS 目录
首页 / 全部 Agents / Mnemosyne
数据与分析 memory-layersqlitemcp-serverhermes-agentvector-searchknowledge-graph

Mnemosyne

零云端 AI 记忆层，SQLite 驱动，单一纯 Python 依赖，任何 agent 框架即插即用。

在 GitHub 查看 ↗ 快速上手 ↓
源仓库
mnemosyne-oss/mnemosyne
Star 数
★ 3.5k
最近更新
今天
License
MIT
主语言
Python
FA 评分
59/100 · 缺口较多

30 秒速览

运行形态
命令行工具代码库 / SDKMCP 服务器
可在哪里用
通用 · 跨平台Codex · Claude Code
费用
免费，无需付费服务
上手难度
低 · 几分钟可跑通
开始前需要
Python 3.10+pipShell / 命令行
典型场景
开发者希望在本地运行 Claude Code 或 Cursor 时获得跨会话记忆，而无需上传数据到云端
不适合
  • 需要多语言召回且不愿更换嵌入模型的团队
  • 内存不足 2 GB 的设备用户
  • 需要开箱即用同步、不愿自建同步服务器的团队
源码审查
59/100 · 缺口较多

这个 Agent 能做什么，适合哪些场景？

Mnemosyne 是一个本地优先、Hermes 优先的记忆层，为 AI agent 提供持久记忆能力。它基于 SQLite 单文件数据库，通过混合检索（向量 + FTS5 + 重要性评分）实现高效回忆。核心架构 BEAM 包含工作记忆、情景记忆和时序知识图谱三层。支持 MCP（stdio/SSE/streamable-http）和 Python SDK，可无缝集成到 Cursor、Claude Code、Codex、OpenWebUI 等主流 agent 平台。安装只需 pip install，无外部服务依赖，数据默认不离开本机。提供丰富的 CLI 命令和可选的同步功能。

Mnemosyne 提供 mnemosyne mcp 启动 MCP 服务器，或通过 Python SDK 的 remember() 和 recall() 函数进行事实存取。底层使用 SQLite 存储，结合 sqlite-vec 和 FTS5 实现混合搜索，评分公式为 50% 向量相似度 + 30% 关键词 + 20% 重要性。支持时序知识图谱（TripleStore）和记忆库（bank）隔离。CLI 支持 store、recall、stats、export/import、sync 等命令。同步功能可进行双向增量同步，支持客户端加密。

  1. 开发者希望在本地运行 Claude Code 或 Cursor 时获得跨会话记忆，而无需上传数据到云端
  2. 团队在 VPS 上部署 agent 服务，需要集中存储和同步记忆
  3. 使用 Hermes Agent 的用户希望启用系统级记忆和自动上下文注入
  4. 需要对记忆数据进行细粒度控制（如时效、重要性）的隐私敏感场景
  5. 构建自定义 Python agent 并希望快速集成持久记忆能力的开发者
  6. 需要在低资源设备（如树莓派）上运行记忆系统，依赖尽可能少

如何安装或部署这个 Agent？

安装：pip install mnemosyne-memory（基础版）或 pip install "mnemosyne-memory[all]"（完整版，含向量搜索和 MCP）。需要 Python 3.10+。

如何使用这个 Agent？

  1. 在 MCP 客户端（如 Cursor）的配置文件中添加 MCP 服务器配置（command: "mnemosyne", args: ["mcp"]）。2. 或在 Python 代码中 from mnemosyne import remember, recall，然后调用 remember("User prefers dark mode") 和 recall("preferences")。3. 使用 CLI 直接操作：mnemosyne store "..."、mnemosyne recall "..."。4. 环境变量可配置嵌入模型（默认 bge-small-en-v1.5）和数据库路径。

这个 Agent 有哪些优点和局限？

优点
  • 本地优先，数据不出机器，无遥测，符合隐私要求
  • 单一 SQLite 文件，部署简单，无外部依赖
  • 内置 MCP 服务器，可直接连接多种 agent 平台
  • 性能优异：BEAM 基准 100K 规模 65.2%，检索延迟低至 35ms（10M 消息）
  • 具备先进的客户端加密同步功能，远程服务器无法读取记忆内容
局限
  • 基准测试结果可能存在版本偏差，BEAM 分数基于 v3.0.0 且尚未重新运行
  • 默认嵌入模型为英文优化，多语言需额外配置
  • 高级功能（如本地 LLM 整合）需要较大的内存和存储资源
  • 同步功能需要额外配置服务器和密钥，增加运维复杂度

这个 Agent 与同类方案有什么区别？

根据 README 对比，Mnemosyne 相对于 mem0、Letta、Honcho 等竞品，优势在于本地优先、零依赖、内置 MCP 服务器和跨平台支持。在基准测试中，其 LongMemEval 分数（87.4%）优于 mem0（49%），但 BEAM 分数（65.2%）低于 Hindsight（73.4%，但使用不同 judge）。

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
Mnemosyne 当前 59 · 缺口较多 命令行工具免费 ★ 3.5k 今天 Python Codex · Claude Code
M-flow 认知记忆引擎 36 · 缺口较多 命令行工具免费 + 模型费 ★ 4.5k 2 个月前 Python OpenAI API · Claude 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 —
Tabularis——开源桌面 SQL 工作台 47 · 缺口较多 桌面应用免费 + 模型费 ★ 5.2k 今天 TypeScript ChatGPT · Codex · Claude Code · Claude.ai

FollowAgents 如何评估这个 Agent？

FollowAgents 源码审查 · FARS-2.1
缺口较多
59/ 100 五分制 3.0 / 5
本评测基于 2026年8月24日 的源码；此后该项目发布了 5 个正式版本，尚未复审。分数与结论只代表评测时的版本。 最近版本 ↓
信任安全 14/29
可靠稳定 9/14
适用触发 12/18
规范维护 11/18
有效结果 9/13
证据核验 4/8
查看各维度的扣分理由
信任安全14 / 29 · 2.4/5

证据显示：本地优先设计，默认无遥测，数据不离开机器；同步功能可选且支持客户端加密；环境变量配置明确。扣分：用户确认机制薄弱（无明确的操作确认流程）；依赖安全仅依赖版本范围，无锁定或审计；回滚机制仅提及内置记忆作为回滚点，未提供具体实现；发布者身份未验证，来源归属仅基于仓库元数据。

可靠稳定9 / 14 · 3.2/5

证据显示：代码和测试一致，CI覆盖多Python版本；依赖声明明确，但未锁定版本；错误处理有测试覆盖（如导出失败不泄露路径）。扣分：依赖可用性未验证（未检查依赖是否可获取）；失败消息在部分场景未明确。

适用触发12 / 18 · 3.3/5

证据显示：支持多种平台和集成方式，提供环境变量配置；能力边界在文档中有所说明（如嵌入模型选择）；触发机制（如MCP、CLI）明确；环境适配考虑了低资源设备。扣分：部分场景（如特定平台）的配置细节未完全覆盖。

规范维护11 / 18 · 3.1/5

证据显示：文档结构清晰，有安装指南、示例、FAQ；命名稳定（如mnemosyne命令）；已知限制在README中提及（如基准测试版本标签）；MIT许可证明确；有CHANGELOG和版本发布流程。扣分：维护责任未明确（发布者身份未验证，维护者信息不清晰）。

有效结果9 / 13 · 3.5/5

证据显示：输出格式（如JSON）适合程序使用；提供多种集成方式，边际价值高（本地优先、零依赖）；成本效益合理（轻量级，适合低资源环境）。扣分：部分功能（如向量搜索）需要额外依赖，可能增加成本。

证据核验4 / 8 · 2.5/5

证据显示：基准测试结果有版本标签和说明，区分了不同指标；测试覆盖了关键功能；文档中区分了事实和推断（如基准测试的说明）。扣分：跨来源验证不足（仅依赖自身文档和测试，未提供独立验证）。

风险与缓解建议
  • 发布者身份未验证，安装前应核实来源。
  • 依赖未锁定版本，存在供应链风险。
  • 用户确认机制薄弱，敏感操作可能无提示。
  • 回滚机制不明确，数据丢失风险需注意。
证据充分度：低 评估于 2026年8月24日 审查版本 8e6c010bc823 评估后仓库已有新提交，评分可能未覆盖最新改动
评估证据 README.mdLICENSESECURITY.mdpyproject.tomlworkflows/ci.ymlworkflows/release.ymltests/test_canonical_tools.pytests/test_cli_bank.pytests/test_find_hermes_python.py
查看完整评分方法 →

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。

  1. v0.7.4
    发布说明摘录
    What's Changed * fix(hermes): apply the iteration-mark predicate to canonical prefetch by @manate-anagram in https://github.com/mnemosyne-oss/mnemosyne/pull/1028 * test(hermes): pin remaining canonical CJK contract edges by @manate-anagram in https://github.com/mnemosyne-oss/mnemosyne/pull/1046 * fix(config): treat serialized None/null tools as unconfigured by @AmirF194 in https://github.com/mnemosyne-oss/mnemosyne/pull/1032 * fix(install): mnemosyne-uninstall parses its arguments before uninstalling (#1048) by @AxDSan in https://github.com/mnemosyne-oss/mnemosyne/pull/1055 …
    在 GitHub 查看 ↗
  2. v0.7.3
    发布说明摘录
    What's Changed * feat(core): recall provenance logging by @AxelFooley in https://github.com/mnemosyne-oss/mnemosyne/pull/957 * fix(hermes): make audit writes thread-safe by @dplush in https://github.com/mnemosyne-oss/mnemosyne/pull/1009 * fix(hermes): honor audit busy timeout by @dplush in https://github.com/mnemosyne-oss/mnemosyne/pull/1010 * feat(doctor): expose read-only embeddings status by @dplush in https://github.com/mnemosyne-oss/mnemosyne/pull/1020 * fix(hermes): disambiguate iteration-mark recall by @dplush in https://github.com/mnemosyne-oss/mnemosyne/pull/1022 …
    在 GitHub 查看 ↗
  3. v0.7.2
    发布说明摘录
    What's Changed * fix(hermes-catalog): restore the >=0.21.4 Hermes floor by @AxDSan in https://github.com/mnemosyne-oss/mnemosyne/pull/1001 * fix(hermes): safely replay staged pending operations by @dplush in https://github.com/mnemosyne-oss/mnemosyne/pull/999 * fix(hermes): serialize scoped replay beam access by @dplush in https://github.com/mnemosyne-oss/mnemosyne/pull/1006 * fix(hermes): isolate provider registrations by @dplush in https://github.com/mnemosyne-oss/mnemosyne/pull/1008 …
    在 GitHub 查看 ↗

常见问题

是否需要外部 API 密钥？
基础版无需外部密钥，但使用远程嵌入 API 时需要设置 MNEMOSYNE_EMBEDDING_API_KEY。默认使用 OpenRouter 或 OpenAI 密钥。
数据安全如何保证？
默认本地存储，数据不出机器。同步可选客户端加密（Fernet 或 PyNaCl），密钥仅存本地。服务器仅见元数据。
支持非英语吗？
默认嵌入模型为英语优化，但可通过环境变量更换为多语言模型，如 paraphrase-multilingual-MiniLM-L12-v2。
性能如何？
BEAM 检索 10M 消息时延迟 35ms，存储仅 7.2MB（压缩后），但召回率仅为 20%，适用于低资源场景。
能否与现有 agent 集成？
支持 MCP 和 Python SDK，可集成 Cursor、Claude Code、Codex、OpenWebUI 等。也可作为自定义 Python agent 的库使用。
在 GitHub 查看 ↗ 安装 ↓

对比同类 Agent

用同一套 FARS 评审，横向比较这个 Agent 所属的短名单。

Claude Code Agent 横向对比

完整兼容 Claude Code 的 agent，按 FARS 评审排序——兼容性取自各 agent 自己的 AGENTS.md 与文档，不做推测。

MCP Agent 横向对比

提供或调用 Model Context Protocol 服务的 agent，按 FARS 评审排序，并列出许可证、维护状态与信任分。

相关 Agents

数据与分析

M-flow 认知记忆引擎

图驱动的检索增强生成（Graph RAG）新范式，通过证据路径评分实现类人的关联记忆。
数据与分析

Nocturne Memory：MCP 长期记忆服务器

为你的 AI 提供跨会话、跨模型的持久记忆，基于图谱结构，可回滚，支持可视化审计。
数据与分析

Tabularis——开源桌面 SQL 工作台

为 PostgreSQL、MySQL、SQLite 等 15+ 数据库打造的开源桌面 SQL 工作台，内置 MCP 服务器，支持 AI 代理直接读取 schema 并执行查询。
数据与分析

SimpleMem：LLM 智能体的高效终身记忆系统

以语义无损压缩的方式存储、压缩和检索文本与多模态长期记忆，让智能体用更少的令牌回忆更多内容。