您的 AI 从一开始就应该拥有的记忆。

为什么 · 快速开始 · 对比 · 层级 · 基准测试 · API · 文档 · 常见问题

TrueMemory 终端演示

--- ## 为什么选择 TrueMemory **它从噪音中找到信号。** 您的 AI 看到数千条消息。TrueMemory 找出哪些真正重要，并丢弃其余的。无需手动标记，无需提示工程。它就是知道。 **它随着时间变得更加敏锐。** 它不是一个静态数据库。它是一个与您一起成长的活记忆，当您改变想法时解决矛盾，更新过时的事实，并整合已知信息。使用时间越长，它就越好。 **它无需您操心就能工作。** TrueMemory 自动从您的对话中捕获记忆，并在下一次会话中自动注入正确的记忆。您无需手动存储或搜索任何东西。一切自然发生。 **它是 100% 本地的。** 您机器上的一个 SQLite 文件。没有任何数据离开您的设备。无需云端，无需 API 密钥。您的数据属于您自己。 > **没有 TrueMemory：** "我们用的是什么框架？"本周第 12 次问了。您的智能体每次会话都从失忆开始。它不知道您的名字、您的技术栈，也不记得昨天您告诉它的任何事情。 > > **有了 TrueMemory：** 您的智能体已经知道您使用 FastAPI，偏好 Pydantic v2，并且您的认证中间件在 `src/auth/` 目录下。它记住您的纠正、您的偏好和您的决策。跨越每一次会话，永远如此。 --- ## TrueMemory 对比 | 系统 | LoCoMo | LongMemEval | 本地优先 | 自动捕获 | 许可证 | |--------|--------|-------------|:-----------:|:------------:|---------| | **TrueMemory Pro** | **93.0%** | **92.0%** | ✅ | ✅ | AGPL-3.0 | | **TrueMemory Base** | **87.7%** | **84.1%** | ✅ | ✅ | AGPL-3.0 | | Mem0 | 61.4% | — | 部分 | ❌ | Apache-2.0 | | Supermemory | 65.4% | — | ❌ | ❌ | Cloud API | | MemOS | 75.8% | — | ✅ | ❌ | Apache-2.0 | | ReadAgent | 79.5% | — | ❌ | ❌ | Research | > 所有基准测试均可独立复现。脚本包含在 [`benchmarks/`](../benchmarks/) 中。 --- ## 快速开始 ### 用于 Claude Code / Claude CLI / Cursor / Codex CLI / Gemini CLI ```bash curl -LsSf https://raw.githubusercontent.com/buildingjoshbetter/TrueMemory/main/install.sh | sh ``` > 在隔离环境中安装一切。下载约 1.5GB 的 AI 模型。没有数据离开您的机器。无需 sudo。

终端新手？点击这里查看分步说明。

1. **打开终端：** Mac：`Cmd + Space`，输入 `Terminal`。Linux：`Ctrl + Alt + T`。Windows：打开 PowerShell。 2. **粘贴上面的命令** 并按回车。 3. **等待 3-5 分钟** 让模型下载完成。 4. **完全退出您的 AI 工具** 并重新打开（Mac：`Cmd+Q`）。 5. **输入 "Set up TrueMemory"** 并选择一个层级。 **Windows (PowerShell):** ```powershell irm https://raw.githubusercontent.com/buildingjoshbetter/TrueMemory/main/install.ps1 | iex ```

就这样。从现在起 TrueMemory 会自动记住您的对话。 ### 面向开发者（Python 库） ```bash pip install truememory ``` ```python from truememory import Memory m = Memory() m.add("Prefers dark mode and TypeScript", user_id="alex") print(m.search("preferences", user_id="alex")) ``` --- ## 版本层级相同架构，三个层级。全部包含在一次安装中。随时可以通过说 "switch to Pro" 或 "switch to Base" 来切换。 | | Edge | Base | Pro | |---|------|------|-----| | **LoCoMo** | 89.6% | 92.0% | **93.0%** | | **LongMemEval** | — | — | **92.0%** | | **BEAM-1M** | — | — | **76.6% (SOTA)** | | **嵌入模型** | 8 MB 轻量级 | 600 MB 高精度 | 600 MB 高精度 | | **重排序器** | 22M 参数 | 149M 参数 | 149M 参数 | | **HyDE 搜索** | — | — | ✅（需要 LLM API 密钥） | | **运行环境** | 任何机器，仅 CPU | 4 GB+ 内存 | 4 GB+ 内存 + API 密钥 | **Edge** 适用于所有环境。**Base** 是最强大的完全离线层级。**Pro** 增加了 AI 驱动的查询扩展以获得最高分数。 --- ## 基准测试

基准测试排行榜

在三大基准测试中进行测试，所有系统共享相同的回答模型（GPT-4.1-mini）、评判模型（GPT-4o-mini，3 次多数投票）和评分流程。 | 基准测试 | 测试内容 | TrueMemory Pro | |-----------|--------------|:--------------:| | [LoCoMo](https://github.com/snap-research/locomo) | 10 组对话中的 1,540 个问题 | **93.0%** | | [LongMemEval](https://github.com/xiaowu0162/LongMemEval) | 500 个多会话问题 | **92.0%** | | [BEAM-1M](https://github.com/mohammadtavakoli78/BEAM) | 1M+ token 下的 700 个问题 | **76.6% (SOTA)** | | BEAM-10M | 10M token 下的 200 个问题 | **65.0%** | ### 自行复现任何结果每个基准测试脚本都是独立的，并在 [Modal](https://modal.com) 上运行。 - **[LoCoMo 脚本](../benchmarks/locomo/scripts/)** — 8 个系统（TrueMemory、Mem0、Zep、Engram 等） - **[LoCoMo 结果](../benchmarks/locomo/BENCHMARK_RESULTS.md)** — 分类细分、延迟、成本 - **[LoCoMo 评估配置](../benchmarks/locomo/EVAL_CONFIG.md)** — 确切的模型、提示和参数 - **[LongMemEval 脚本](../benchmarks/longmemeval/)** — oracle + strict 变体 - **[LongMemEval 结果](../benchmarks/longmemeval/results/)** — 6 次 TM Pro 运行 + 5 个竞品结果 - **[BEAM-1M 脚本](../benchmarks/beam/bench_truememory_pro_beam1m.py)** — 35 组对话，1M+ token - **[BEAM-10M 脚本](../benchmarks/beam/bench_truememory_pro_beam10m.py)** — 10 组对话，10M token - **[BEAM 结果](../benchmarks/beam/)** — 3 次运行 (1M) + 1 次运行 (10M) 所有基准测试使用相同的评估流程。没有隐藏内容。完整详情：[LoCoMo](../benchmarks/locomo/EVAL_CONFIG.md) | [LongMemEval](../benchmarks/longmemeval/README.md) | [BEAM](../benchmarks/beam/README.md) --- ## 兼容工具

Claude Code · Claude CLI · Cursor · Codex CLI · Gemini CLI · Claude Desktop

生命周期钩子自动捕获对话。无需手动操作。您的记忆以单个 SQLite 文件的形式保存在本地。 --- ## Python API ```python from truememory import Memory m = Memory() m.add("Prefers dark mode and TypeScript", user_id="alex") m.add("Works at Anthropic as a senior engineer", user_id="alex") results = m.search("What are Alex's preferences?", user_id="alex") results = m.search_deep("career history?", user_id="alex") # multi-round, higher accuracy ``` | 方法 | 描述 | |--------|-------------| | `m.add(content, user_id)` | 存储一条记忆 | | `m.search(query, user_id)` | 搜索（6 层管道 + 重排序器） | | `m.search_deep(query, user_id)` | 多轮智能搜索 | | `m.get(id)` / `m.get_all(user_id)` | 检索记忆 | | `m.update(id, content)` / `m.delete(id)` | 修改或删除 | | `m.stats()` | 系统统计信息 | [完整 API 参考 →](../docs/python-api.md) --- ## 文档 | | | |---|---| | [入门指南](../docs/guides/getting-started.md) | 从安装到第一条记忆 | | [Python API 参考](../docs/python-api.md) | 完整的 `Memory` 类参考 | | [MCP 工具参考](../docs/mcp-tools.md) | 全部 8 个 MCP 工具 | | [CLI 参考](../docs/cli.md) | `truememory-mcp` 和 `truememory-ingest` | | [环境变量](../docs/env-vars.md) | 所有 `TRUEMEMORY_*` 配置选项 | | [架构深入解析](../docs/architecture.md) | 6 层检索管道、编码门控 | | [层级选择指南](../docs/guides/tier-selection.md) | Edge vs Base vs Pro | | [调试](../docs/guides/debugging.md) | 日志、追踪、常见问题 | --- ## 常见问题

我的数据存储在哪里？有任何数据会发送到云端吗？

所有数据都保存在本地的 `~/.truememory/memories.db` 中。Edge 和 Base 层级不进行任何外部调用。Pro 仅将您的搜索查询文本发送给 LLM 进行查询扩展。您的记忆永远不会被传输。

我需要安装 Python 吗？

不需要。安装程序使用 [uv](https://docs.astral.sh/uv/) 管理沙盒化的 Python 3.12。您的系统 Python 不会被触及。

为什么不直接使用更大的上下文窗口？

上下文窗口昂贵、缓慢，并且在每次会话开始时都是空的。TrueMemory 以零上下文 token 实现即时召回，延迟不到 200 毫秒。

TrueMemory 是否收集遥测数据？

默认开启匿名使用遥测（工具调用、会话计数、平台信息）。我们**绝不**跟踪记忆内容、查询、文件路径或 API 密钥。选择退出：`export TRUEMEMORY_TELEMETRY=off`

--- ## 60 秒快速上手 ```bash pip install truememory ``` 有问题？[发起讨论](https://github.com/buildingjoshbetter/TrueMemory/discussions)。如果 TrueMemory 为您节省了时间，[给我们一颗星](https://github.com/buildingjoshbetter/TrueMemory) --- ## 感谢我们的贡献者

_{buildingjoshbetter}

_SoilChang

_Huntehhh

_mseep-ai

_{adityajha2005}

_{shivamverma1999}

_Adarsh-031

_{nareshkarthigeyan}

--- ## 研究 TrueMemory 由一篇关于以检索为中心的智能体记忆的同行评审研究论文支持。 **[Storage Is Not Memory: A Retrieval-Centered Architecture for Agent Recall](https://arxiv.org/abs/2605.04897)** — arXiv 2605.04897 ```bibtex @article{adler2025storage, title = {Storage Is Not Memory: A Retrieval-Centered Architecture for Agent Recall}, author = {Sauron Labs}, journal = {arXiv preprint arXiv:2605.04897}, year = {2025}, url = {https://arxiv.org/abs/2605.04897} } ``` --- ## 社区 - [加入我们的 Discord](https://discord.gg/ZJ74JB2gVW) 获取帮助、反馈和更新 - 在 X 上关注 [@Building_Josh](https://x.com/Building_Josh) 获取更新 - 关注 [@Sauron_Labs](https://x.com/Sauron_Labs) 获取公司新闻 - [发起讨论](https://github.com/buildingjoshbetter/TrueMemory/discussions) 提问或分享想法 - 在 [arXiv](https://arxiv.org/abs/2605.04897) · [Google Scholar](https://scholar.google.com/citations?user=YOUR_ID) · [Semantic Scholar](https://www.semanticscholar.org/) 上阅读论文 - 访问 [truememory.net](https://truememory.net) · [sauronlabs.ai](https://sauronlabs.ai) 如果 TrueMemory 为您节省了时间，[给我们一颗星](https://github.com/buildingjoshbetter/TrueMemory) --- ## 许可证 [AGPL-3.0](../LICENSE)。个人和研究使用免费。商业使用需要单独的许可证，请联系 josh@sauronlabs.ai。 ---

TrueMemory，一家 sauron 公司