ReMe：智能体记忆管理工具包
将对话和资源转化为可读、可编辑、可搜索的 Markdown 记忆，为 AI 智能体提供本地优先的长期记忆层。
证据显示：README 明确说明默认不启用嵌入，且基本操作无需 LLM 凭据，体现了最小权限原则；但未提供权限模型或安全审计。用户确认方面，CLI 命令如 write/edit 直接执行，无确认提示，但文档建议用户可编辑文件，部分体现用户控制。数据流透明性较好，README 详细描述了目录结构和数据流向，但未说明数据如何被外部服务访问。敏感数据处理：文档提到会话和资源文件，但未说明加密或脱敏措施。依赖安全：pyproject.toml 列出依赖，但未提供漏洞扫描或锁定文件。外部影响：服务默认绑定 127.0.0.1，但未说明网络暴露风险。回滚：未提及备份或回滚机制。来源归属：README 和 LICENSE 明确版权归属，但发布者未验证。扣分原因：缺乏安全细节和用户确认机制。
证据显示：README 和测试文件描述一致，自洽性良好；但未提供故障恢复或降级策略。依赖可用性：依赖列表完整，但未说明版本兼容性或镜像。失败消息：测试文件中有超时错误消息，但用户文档未提供常见错误处理指南。扣分原因：缺少故障处理和错误信息文档。
证据显示：README 明确目标用户（个人助理、编码代理等）和使用场景，并提供了多种集成路径（CLI、MCP、SDK），适应性强。能力边界：文档区分了需要 LLM 凭据的功能和无需凭据的功能，边界清晰。触发精度：命令如 auto_memory 等有明确触发条件，但未说明触发频率或条件细节。环境适配：支持 Python 3.11+，跨平台，但未说明特定操作系统限制。扣分原因：触发细节和环境限制说明不足。
证据显示：README 结构清晰，包含安装、使用、集成等章节，信息架构良好。安装说明详细，包括 pip 和源码安装。命名稳定性：版本历史提及，但未提供 API 稳定性保证。示例和 FAQ：提供了 5 分钟演示和 cookbook，但无 FAQ。已知限制：未明确列出。许可证：Apache-2.0 完整。版本和变更日志：未提供 CHANGELOG。维护责任：README 提供贡献指南和社区支持，但未明确维护者。扣分原因：缺少 FAQ、已知限制和变更日志。
证据显示：输出为 Markdown 文件，可直接编辑和搜索，可用性好。边际价值：作为记忆层，提供了独特功能，但需与现有工具比较。成本效益：需要 LLM 凭据才能使用核心功能，但基本功能免费，未提供性能基准。扣分原因：缺少性能数据和成本分析。
证据显示：README 中的声明（如功能）有文档和测试支持，可追溯。交叉验证：测试文件提供了集成测试，但未与其他来源对比。事实与推断分离：文档区分了功能描述和设计理念，但未明确标注推断。扣分原因：缺少外部验证和明确的事实/推断标记。
- 发布者身份未验证，需谨慎对待供应链风险。
- 依赖未锁定版本，存在潜在安全漏洞风险。
- 敏感数据处理未说明加密或脱敏措施。
- 缺少回滚机制，数据丢失风险需注意。
- LLM 凭据用于核心功能，需确保安全存储。
这个 Agent 能做什么，适合哪些场景？
ReMe 是一个本地优先的记忆管理层，面向 AI 智能体，将对话和资源转化为基于文件的长期记忆。它采用 Markdown 文件作为记忆节点，结合 frontmatter 和 wikilink，使用户和智能体都能直接读写。核心能力包括自动记忆、自动资源、自动梦想和主动话题，通过渐进式混合检索（wikilink、BM25、向量）实现高效召回。它提供 CLI、HTTP API、MCP 服务器和 Python SDK 等多种集成方式，支持与 QwenPaw、Claude Code 等智能体无缝对接。ReMe 还提供 Cookbook 示例，如每日论文和自动金融，展示端到端工作流。该项目遵循 Apache 2.0 许可证，需要 Python 3.11+。
ReMe 运行时作为本地服务，通过 CLI 或 SDK 提供一系列作业：start 启动服务，write/read/edit 管理 Markdown 记忆文件，search 进行混合检索（默认 BM25 和 wikilink，可启用向量），auto_memory 从对话中提取每日记忆卡片，auto_resource 将资源文件转化为每日卡片，auto_dream 将每日卡片整合为长期记忆（个人、流程、知识节点），proactive 生成主动主题。它还支持 reindex 重建索引，并可通过 MCP 服务器与 Claude Code 集成，通过 SKILL.md 与其他 CLI 智能体集成。工作流是捕获原始对话和资源，经过 daily 阶段处理后，最终整合到 digest/ 目录下的长期记忆节点。
- 个人助理（如 QwenPaw、OpenClaw）需要一个用户可编辑的长期记忆层，以记住用户偏好和历史交互。
- 编码智能体（如 Claude Code）需要跨会话保留编码风格、项目背景、仓库决策和工作流经验。
- 研究人员希望构建一个可搜索、可追溯、可链接的 Markdown 知识库，用于整理论文、笔记和资源。
- 开发者需要为智能体添加从经验中学习的能力，保存成功的路径、失败的尝试、可复用的流程和定期反思。
这个 Agent 有哪些优点和局限？
- 本地优先、文件为基础：记忆以 Markdown 文件存储，用户和智能体可直接读取和编辑，透明度高。
- 渐进式混合检索：结合 wikilink、BM25 和向量，实现关键词、语义和关系扩展的混合召回。
- 多集成路径：提供 CLI、HTTP API、MCP 服务器和 Python SDK，适配不同智能体运行时。
- 自进化知识库：auto_memory、auto_resource、auto_dream 自动将对话和资源转化为长期记忆，并构建 wikilink 关系。
- 需要 Python 3.11+，可能对一些部署环境有版本要求。
- 自动记忆功能依赖 LLM API，需要提供 API 密钥和网络连接，可能产生费用。
- 向量检索需要额外配置 embedding 组件，默认未启用，需要手动操作配置。
- 文档未提供详细的性能或规模指南，对于大规模记忆可能缺乏优化依据。
如何安装或部署这个 Agent？
安装要求 Python 3.11+。通过 pip 安装：pip install "reme-ai[core]"。或从源码安装：git clone https://github.com/agentscope-ai/ReMe.git && cd ReMe && pip install -e ".[core]"。需要配置环境变量：LLM_API_KEY 和 LLM_BASE_URL（用于 auto_memory、auto_resource 和 auto_dream）；可选 EMBEDDING_API_KEY 和 EMBEDDING_BASE_URL 用于向量检索。
如何使用这个 Agent？
启动服务：reme start（默认端口 2333）。然后写入记忆节点：reme write path=digest/wiki/quick-start-demo name="Quick Start Demo" description="A first ReMe memory node" content="..."。搜索记忆：reme search query="agent memory markdown" limit=5。读取记忆：reme read path=digest/wiki/quick-start-demo start_line=1 end_line=20。为启用向量检索，需在 reme/config/default.yaml 中取消注释 as_embedding 和 embedding_store 组件。
这个 Agent 与同类方案有什么区别？
该仓库提及 MemoryScope 作为先前版本，并推荐与 QwenPaw、OpenClaw、Hermes 等智能体集成。未提供与其他记忆工具的直接比较。