MemOS 2.0 Stardust（星尘）

让 Agent 拥有持续记忆与成长能力

MemOS Agent 生态：OpenClaw、Hermes 与 DeepSeek Harness

> [!TIP] > **新支持：为 DeepSeek Harness（dsh）接入 MemOS** > > 在 DeepSeek Harness 中使用自动召回、后台记忆沉淀、混合检索和本地记忆查看器；它们均由同一套 MemOS 核心驱动，并可复用于不同 Agent 生态。 > > **[开始接入 →](#memos-plugin)** --- ## 👾 MemOS：面向 LLM 与 AI Agent 的记忆操作系统 **MemOS** 是一个面向 LLM 与 AI Agent 的记忆操作系统，统一了长期记忆的**存/取/管**，内置 **KB**、**多模态**、**工具记忆** 与 **企业级** 优化，实现上下文感知与个性化的交互。 ### 核心特性 - **统一记忆 API**：用单一 API 完成记忆的增、删、改、查——以图结构组织，可检视、可编辑，不是黑盒向量库。 - **多模态记忆**：原生支持文本、图像、工具轨迹与人格，在同一记忆系统中统一检索与推理。 - **多 Cube 知识库管理**：将多个知识库组合为可复用的记忆 Cube，实现跨用户、项目与 Agent 的隔离、受控共享与动态组合。 - **MemScheduler 异步写入**：以异步方式执行记忆操作，毫秒级延迟，保障高并发下的生产稳定性。 - **记忆反馈与修正**：通过自然语言反馈精炼记忆——可纠正、补充或替换已有记忆，持续演进。 ### News - **2026-08-17** · 🐋 **MemOS 完成 DeepSeek Harness 接入** MemOS 现已通过本地插件与云插件，为 **DeepSeek Harness** 提供长期记忆能力：任务开始前自动召回相关上下文，回合成功结束后持续沉淀新的经验，无需修改 DSH 核心。 - **2026-07-02** · 🏆 **MemOS 在 Agent 与用户记忆榜单上全面领先** 在 MemOS 的加持下，**OpenClaw** 在五个 Agent 任务上的平均任务完成率从 **36.63% 提升到 50.87%**。MemOS 在 **LoCoMo** 取得 **88.83**、**LongMemEval** 取得 **89.20**，并在 **OmniMemEval**（覆盖 14 款商业记忆产品、十个数据集的统一评测）中领先。 - **2026-05-09** · 🧠 **memos-local-plugin 2.0** **Hermes Agent** 与 **OpenClaw** 官方本地记忆插件。单一核心驱动自演化记忆：L1 轨迹、L2 策略、L3 世界模型与结晶化 Skill，本地优先存储 + 反馈驱动检索。 - **2026-04-10** · 👧🏻 **MemOS Hermes Agent 本地插件** 官方 Hermes Agent 记忆插件发布：混合检索（FTS5 + 向量）、智能去重、分层技能演化、多 Agent 协作。100% 本地，零云依赖。 - **2026-03-08** · 🦞 **MemOS OpenClaw 插件——云端与本地** 官方 OpenClaw 记忆插件发布。**云插件**：托管记忆服务，token 用量降低 72%，支持多 Agent 记忆共享（[MemOS-Cloud-OpenClaw-Plugin](https://github.com/MemTensor/MemOS-Cloud-OpenClaw-Plugin)）。**本地插件**（`v1.0.0`）：100% 端侧记忆，持久化 SQLite，混合检索（FTS5 + 向量），任务摘要与技能演化，多 Agent 协作，配套完整记忆查看器面板。 ## 📊 性能表现 MemOS 在多个评测榜单中处于领先地位——与主流商业记忆产品横向对比，覆盖 5 个用户记忆榜单和 5 个 Agent 记忆任务。 | 榜单 | 分数 | | --------------- | ----- | | LoCoMo | 88.83 | | LongMemEval | 89.20 | | PersonaMem v2 | 40.58 | | HaluMem | 80.91 | | BEAM-10M | 56.75 | | GDPVal | 62.07 | | LiveCodeBench | 64.96 | | OmniMath | 61.00 | | SWE-Bench | 38.46 | | BrowseComp-Plus | 23.85 | 评测框架 OmniMemEval——[https://github.com/MemTensor/OmniMemEval](https://github.com/MemTensor/OmniMemEval)。 ## 🎯 MemOS 适用于 MemOS 为 AI agent 提供长期记忆能力，典型场景： - AI 助手：保持上下文一致的连续对话 - 客服系统：召回历史工单与用户信息，提供针对性帮助 - 个性化 agent：适应用户偏好，持续学习与调整 - 多 agent 协作：共享或隔离的记忆空间 ## 🚀 快速开始 MemOS 提供四种使用方式，按你的场景选择。 | | Cloud API | 本地部署 | MemOS 云插件 | 本地插件 | | ---- | ------------ | ----------------- | ------------------------ | --------------------------------------------- | | 适合谁 | 自建应用，全托管 | 自建基础设施的团队 | OpenClaw 用户，零运维 | DeepSeek Harness、Hermes 或 OpenClaw，100% 端侧 | | 启动方式 | 申请 API Key | docker compose up | openclaw plugins install | npm install + 按 Agent 配置 | | 依赖设施 | 无（托管） | Neo4j + Qdrant | 无（使用 MemOS Cloud） | 无（本地 SQLite） | | 数据存放 | MemOS Cloud | 你的服务器 | MemOS Cloud | 你的机器 | ### ☁️ 使用 Cloud API（托管）想通过全托管服务给应用加记忆——无需自建任何基础设施。 **1. 申请 API Key：** - 在 [MemOS 控制台](https://memos-dashboard.openmem.net/cn/quickstart/?source=landing) 注册。 - 进入 **API Keys** 复制你的 Key（以 `mpg-` 开头），请妥善保存在服务端。 **2. 写入与检索记忆：** ```python import requests API_KEY = "mpg-..." # 请保存在服务端 base = "https://memos.memtensor.cn/api/openmem/v1" headers = {"Authorization": f"Token {API_KEY}", "Content-Type": "application/json"} # 1. 写入一条记忆 requests.post(f"{base}/add/message", headers=headers, json={ "user_id": "alice", "conversation_id": "conv_001", "messages": [{"role": "user", "content": "I like strawberry"}], }) # 2. 检索记忆 res = requests.post(f"{base}/search/memory", headers=headers, json={ "query": "What do I like?", "user_id": "alice", }) print(res.json()) ``` **下一步：** - [MemOS Cloud 快速开始](https://memos-docs.openmem.net/memos_cloud/quick_start/)——几分钟内接入 MemOS Cloud 并启用记忆。 - [MemOS Cloud 平台](https://memos.openmem.net/?from=/quickstart/)——探索云端控制台、功能与工作流。 ### 🖥️ 本地部署 MemOS 服务想把 MemOS 作为 REST 服务跑在自己的机器或集群上。 **方式 A — Docker（推荐）：** ```bash git clone https://github.com/MemTensor/MemOS.git cd MemOS cp docker/.env.example .env # 在 .env 中填入你的 API key cd docker docker compose up # 启动 MemOS API + Neo4j + Qdrant ``` API 服务地址：`http://localhost:8000`。 **方式 B — 用 uvicorn 启动（不用 Docker）：** ```bash git clone https://github.com/MemTensor/MemOS.git cd MemOS cp docker/.env.example .env # 在 .env 中填入你的 API key # 确保 Neo4j 和 Qdrant 已启动，然后： cd src uvicorn memos.api.server_api:app --host 0.0.0.0 --port 8000 --workers 1 ``` 所有配置项（LLM、embedder、向量库、图库、调度器）见 `[docker/.env.example](./docker/.env.example)`。完整部署指南：[https://memos-docs.openmem.net/open_source/getting_started/rest_api_server/](https://memos-docs.openmem.net/open_source/getting_started/rest_api_server/)。 **试用 API：** ```python import requests, json headers = {"Content-Type": "application/json"} base = "http://localhost:8000/product" # 1. 创建记忆 cube requests.post(f"{base}/create_cube", headers=headers, data=json.dumps({ "cube_name": "Alice's memory", "owner_id": "alice", "cube_id": "alice_cube", })) # 2. 写入一条记忆 requests.post(f"{base}/add", headers=headers, data=json.dumps({ "user_id": "alice", "writable_cube_ids": ["alice_cube"], "messages": [{"role": "user", "content": "I like strawberry"}], "async_mode": "sync", })) # 3. 检索记忆 res = requests.post(f"{base}/search", headers=headers, data=json.dumps({ "query": "What do I like?", "user_id": "alice", "readable_cube_ids": ["alice_cube"], })) print(res.json()) ``` ### 🧠 MemOS 插件：为你的 AI agent 提供持久记忆 ✨ OpenClaw、Hermes 与 DeepSeek Harness 均可接入同一套 MemOS 本地记忆核心；OpenClaw 与 DeepSeek Harness 还可选择托管的 ***MemOS 云插件*** 🏃🏻 | 🔌 插件 | 💡 核心特性 | 🧩 资源 | | ----------------------------------------------------------------------------------------------------- | ------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | 🧠 **[memos-local-plugin 2.0](https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin)** | | 🌐 [官网](https://memos-claw.openmem.net/) · 📖 [文档](https://memos-docs.openmem.net/cn/openclaw/local_plugin) · 🐙 [GitHub](https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin) · 📦 [NPM](https://www.npmjs.com/package/@memtensor/memos-local-plugin) | | ☁️ **[MemOS 云插件](https://github.com/MemTensor/MemOS/tree/main/apps/MemOS-Cloud-OpenClaw-Plugin)** | | 🖥️ [MemOS 控制台](https://memos-dashboard.openmem.net/login/) · 📖 [完整教程](https://memos-docs.openmem.net/openclaw/guide#_4-update-plugin) | #### 1. MemOS 云插件使用 OpenClaw 或 DeepSeek Harness，想通过 MemOS Cloud 获得持久记忆——无需自建基础设施。 - **仓库：** [MemTensor/MemOS ·](https://github.com/MemTensor/MemOS/tree/main/apps/MemOS-Cloud-OpenClaw-Plugin) `apps/MemOS-Cloud-OpenClaw-Plugin` - **NPM：** `[@memtensor/memos-cloud-openclaw-plugin](https://www.npmjs.com/package/@memtensor/memos-cloud-openclaw-plugin)` - **控制台：** [https://memos-dashboard.openmem.net/](https://memos-dashboard.openmem.net/) - **教程：** [https://memos-docs.openmem.net/openclaw/guide](https://memos-docs.openmem.net/openclaw/guide) 安装： ```bash openclaw plugins install @memtensor/memos-cloud-openclaw-plugin@latest openclaw gateway restart ``` 插件在每次 agent 运行前从 MemOS Cloud 召回记忆，运行结束后把新消息写回。 ##### DeepSeek Harness 通过 DSH 原生插件机制为 DeepSeek Harness 接入 MemOS Cloud。每次用户请求的第一个模型步骤开始前，插件会自动召回相关云端记忆；当前回合成功结束后，再把新的用户与助手消息写回 MemOS Cloud。 1. 在 [MemOS 控制台创建 API Key](https://memos-dashboard.openmem.net/cn/apikeys/)。 2. 将云插件安装到 DSH 默认的 `web` profile： ```bash npx @deepseek-ai/dsh plugin --profile web add @memtensor/memos-cloud-dsh-plugin@latest ``` 3. 在 `~/.dsh/.credentials.yaml` 中写入 API Key： ```yaml MEMOS_API_KEY: mpg-your-key ``` 4. 在 `~/.dsh/settings.yaml` 中加入最小配置： ```yaml memos-cloud: apiKeyEnv: MEMOS_API_KEY ``` 5. 重启 DSH Web profile： ```bash npx @deepseek-ai/dsh web ``` 云插件采用 Fail-open 机制：MemOS Cloud 临时不可用时，不会中断当前 DSH 任务。 #### 2. 本地插件（OpenClaw、Hermes 与 DeepSeek Harness）使用 DeepSeek Harness、Hermes Agent 或 OpenClaw，想要 100% 端侧记忆——数据不离开本机。 - **仓库：** [MemTensor/MemOS ·](https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin) `apps/memos-local-plugin` - **NPM：** `[@memtensor/memos-local-plugin](https://www.npmjs.com/package/@memtensor/memos-local-plugin)` - **文档：** [https://memos-docs.openmem.net/cn/openclaw/local_plugin](https://memos-docs.openmem.net/cn/openclaw/local_plugin) - **DeepSeek Harness：** [接入说明](./apps/memos-local-plugin/adapters/deepseek-harness/README.md) - **查看器面板：** 见 `apps/memos-local-plugin/viewer/` 接入 DeepSeek Harness（macOS / Linux）： ```bash curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh | bash -s -- --agent dsh --profile web ``` 安装 OpenClaw 或 Hermes（macOS / Linux）： ```bash curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh | bash ``` 安装（Windows PowerShell）： ```powershell irm https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.ps1 -OutFile "$env:TEMP\memos-install.ps1"; powershell -ExecutionPolicy Bypass -File "$env:TEMP\memos-install.ps1" ``` 需先安装 Node.js，且已安装 DeepSeek Harness、OpenClaw 或 Hermes。安装器会将 MemOS 部署到所选 Agent 运行时：DeepSeek Harness 以独立 DSH bundle 方式接入；OpenClaw 与 Hermes 则在各自的 Agent 主目录中写入初始 `config.yaml`。特性：混合检索（FTS5 + 向量）、智能去重、分层技能演化（L1 轨迹 / L2 策略 / L3 世界模型）、多 agent 协作、本地优先 SQLite 存储。 ## 🤝 社区 - **GitHub Issues：** [https://github.com/MemTensor/MemOS/issues](https://github.com/MemTensor/MemOS/issues) - **GitHub Discussions：** [https://github.com/MemTensor/MemOS/discussions](https://github.com/MemTensor/MemOS/discussions) - **Discord：** [https://discord.gg/Txbx3gebZR](https://discord.gg/Txbx3gebZR) - **微信：** 扫码加入微信群。

## 📚 引用如果在研究中使用 MemOS，请引用： ```bibtex @article{li2025memos_long, title={MemOS: A Memory OS for AI System}, author={Li, Zhiyu and Song, Shichao and Xi, Chenyang and Wang, Hanyu and Tang, Chen and Niu, Simin and Chen, Ding and Yang, Jiawei and Li, Chunyu and Yu, Qingchen and Zhao, Jihao and Wang, Yezhaohui and Liu, Peng and Lin, Zehao and Wang, Pengyuan and Huo, Jiahao and Chen, Tianyi and Chen, Kai and Li, Kehang and Tao, Zhen and Ren, Junpeng and Lai, Huayi and Wu, Hao and Tang, Bo and Wang, Zhenren and Fan, Zhaoxin and Zhang, Ningyu and Zhang, Linfeng and Yan, Junchi and Yang, Mingchuan and Xu, Tong and Xu, Wei and Chen, Huajun and Wang, Haofeng and Yang, Hongkang and Zhang, Wentao and Xu, Zhi-Qin John and Chen, Siheng and Xiong, Feiyu}, journal={arXiv preprint arXiv:2507.03724}, year={2025}, url={https://arxiv.org/abs/2507.03724} } @article{li2025memos_short, title={MemOS: An Operating System for Memory-Augmented Generation (MAG) in Large Language Models}, author={Li, Zhiyu and Song, Shichao and Wang, Hanyu and Niu, Simin and Chen, Ding and Yang, Jiawei and Xi, Chenyang and Lai, Huayi and Zhao, Jihao and Wang, Yezhaohui and others}, journal={arXiv preprint arXiv:2505.22101}, year={2025}, url={https://arxiv.org/abs/2505.22101} } ``` ## ⚖️ 许可证 MemOS 基于 [Apache 2.0 许可证](./LICENSE) 开源。