MemOS：增强大语言模型记忆能力的开源系统

MemOS 是一个开源系统，专注于为大语言模型（LLM）提供记忆增强功能。它通过创新的记忆管理和调度机制，帮助模型更好地存储、检索和利用上下文信息。MemOS 在多跳推理、开放域问答和时序推理等任务中表现优异，相比传统模型提升了显著性能，例如时序推理准确率提升 159%。它支持 Linux 平台，易于开发者集成和扩展，适合用于构建更智能的 AI 应用。项目在 GitHub 上活跃，社区支持丰富，开发者可通过 GitHub Issues、Discussions 或 Discord 参与贡献。

功能列表

• 记忆增强生成（MAG）：提供统一的 API 接口，支持模型结合上下文记忆进行聊天和推理。
• 模块化记忆架构（MemCube）：灵活管理多种记忆类型，方便开发者定制和扩展。
• 文本记忆管理：支持存储和检索结构化或非结构化文本知识，适合快速知识更新。
• 记忆调度机制：动态分配记忆资源，优化模型在长上下文任务中的性能。
• 版本控制与治理：提供记忆的访问控制、追溯和解释功能，确保安全合规。
• 支持多种 LLM 集成：兼容主流大语言模型，增强其记忆能力。
• 社区协作工具：通过 GitHub Issues、Pull Requests 和 Discord 支持开发者贡献和交流。

使用帮助

安装流程

MemOS 目前主要支持 Linux 平台，Windows 和 macOS 可能存在兼容性问题。以下是详细的安装步骤：

1. 克隆仓库
   使用 Git 克隆 MemOS 仓库到本地：

   git clone https://github.com/MemTensor/MemOS.git
   cd MemOS
   

2. 安装依赖
   执行以下命令安装 MemOS（推荐使用可编辑模式）：

   make install
   

   确保系统已安装 Python 和相关依赖。如果需要使用基于 transformers 库的功能，需安装 PyTorch，推荐使用支持 CUDA 的版本以获得 GPU 加速：

   pip install torch
   

3. 安装 Ollama（可选）
   如果需要与 Ollama 集成，需先安装 Ollama CLI：

   curl -fsSL https://ollama.com/install.sh | sh
   

4. 验证安装
   安装完成后，可通过运行示例代码或查看文档验证是否成功。文档路径为：
   docs/api/info 或访问在线文档：https://memos.openmem.net/docs/api/info。

使用方法

MemOS 的核心功能是通过 API 调用实现记忆增强生成和记忆管理。以下是主要功能的详细操作流程：

1. 记忆增强生成（MAG）

MemOS 提供统一的 API 接口，开发者可通过以下步骤实现记忆增强的聊天或推理：

• 初始化 MemOS
  在 Python 环境中导入 MemOS 库并初始化：

  from memos import MemoryAugmentedGeneration
  mag = MemoryAugmentedGeneration(model="gpt-4o-mini")  # 示例模型
  

• 添加记忆
  将用户输入或上下文信息存储为记忆：

  mag.add_memory(user_id="user1", content="用户喜欢科技新闻")
  

• 生成回复
  调用 API 生成结合记忆的回复：

  response = mag.generate(query="推荐一些科技新闻", user_id="user1")
  print(response)
  

  MemOS 会根据存储的记忆（如“用户喜欢科技新闻”）生成更个性化的回答。

2. 文本记忆管理

MemOS 支持存储和检索文本知识，适合快速更新知识库：

• 存储文本记忆
  使用 API 存储结构化或非结构化文本：

  mag.store_text_memory(content="2025年AI趋势：记忆增强技术", tags=["AI", "趋势"])
  

• 检索记忆
  根据查询检索相关记忆：

  results = mag.search_memory(query="AI趋势", limit=3)
  for result in results:
  print(result["content"])
  

3. 记忆调度与优化

MemOS 的 MemScheduler 动态管理记忆资源，开发者无需手动配置。默认设置下，系统会根据任务类型（如多跳推理或时序推理）自动分配记忆资源。若需自定义调度，可通过配置文件调整：

config/scheduler.yaml

4. 社区协作

MemOS 鼓励开发者参与社区贡献：

• 提交问题或功能请求：在 GitHub Issues 页面报告 bug 或提出新功能建议。
• 贡献代码：通过 GitHub Pull Requests 提交代码改进。
• 加入讨论：在 GitHub Discussions 或 Discord 服务器与开发者交流。

特色功能操作

MemOS 在时序推理和多跳推理任务中表现突出。例如，在时序推理中，开发者可通过以下方式测试：

mag.add_memory(user_id="test", content="2024年10月，AI会议召开")
mag.add_memory(user_id="test", content="2025年1月，新模型发布")
response = mag.generate(query="AI会议后发生了什么？", user_id="test")
print(response)  # 输出：新模型发布

此功能通过 MemCube 架构实现，确保记忆按时间顺序准确检索。

应用场景

1. 个性化 AI 助手
   MemOS 可为 AI 助手添加长期记忆功能，记住用户偏好（如喜欢的新闻类型或购物习惯），提供更精准的推荐和回答。
   例如，开发者可为电商平台构建一个记住用户购买历史的聊天机器人，提升用户体验。
2. 知识管理系统
   MemOS 的文本记忆管理功能适合企业构建内部知识库，快速存储和检索文档、报告或技术资料。
   例如，技术团队可使用 MemOS 管理项目文档，方便跨部门协作。
3. 教育与研究
   MemOS 可帮助研究人员存储和分析实验数据或文献记录，支持多跳推理以回答复杂问题。
   例如，学生可使用 MemOS 整理课程笔记，快速检索相关知识点。

QA

1. MemOS 支持哪些平台？
   目前主要支持 Linux，Windows 和 macOS 可能存在兼容性问题。推荐在 Linux 环境下使用。
2. 是否需要特定的 LLM？
   MemOS 支持多种大语言模型，默认使用 OpenAI 的 gpt-4o-mini，但可根据文档配置其他模型。
3. 如何参与 MemOS 开发？
   可通过 GitHub Issues 报告问题、提交 Pull Requests 贡献代码，或加入 Discord 社区讨论。
4. MemOS 的性能优势是什么？
   相比传统模型，MemOS 在时序推理提升 159%，整体准确率提升 38.98%，并减少 60.95% 的 token 消耗。