OMEM
共享记忆，永不遗忘

License Hosted Stars

English | 简体中文

--- ## 问题 你的 AI 助手每次对话都失忆 -- 而且各自为战。 - 🧠 **失忆** -- 每次新对话从零开始。偏好、决策、上下文全没了。 - 🏝️ **孤岛** -- 你的代码 Agent 不知道写作 Agent 学到了什么。 - 📁 **绑定设备** -- 记忆存在一台机器上，换设备全部丢失。 - 🚫 **无法共享** -- 团队 Agent 之间知识完全隔绝，每个 Agent 都在重复发现相同的东西。 - 🔍 **笨搜索** -- 只有关键词匹配，没有语义理解，没有相关性排序。 - 🧩 **没有集体智能** -- 即使 Agent 在同一个团队工作，也没有共享的知识层。 **ourmem 解决所有这些问题。** ## ourmem 是什么 ourmem 让 AI Agent 拥有共享的持久记忆 -- 跨会话、跨设备、跨 Agent、跨团队。一个 API Key 重连一切。 🌐 **官网:** [ourmem.ai](https://ourmem.ai)
### 🧑‍💻 我用 AI 编程工具 安装你平台的插件就行。记忆自动工作 -- 开始对话时自动加载历史记忆，结束时自动保存重要信息。 **→ 跳转到 [快速开始](#快速开始)** ### 🔧 我在开发 AI 产品 48+ 个 REST API 端点。Docker 一行命令自部署。把持久记忆嵌入到你自己的 Agent 和工作流中。 **→ 跳转到 [自部署](#自部署)**
## 核心能力

🔗 跨越边界共享

三级空间 -- 个人、团队、组织 -- 让知识在 Agent 和团队之间流动，全程溯源追踪。

🧠 永不遗忘

Weibull 衰减模型智能管理记忆生命周期 -- 核心记忆持久保留，边缘记忆优雅淡出。无需手动清理。

🔍 深度理解

11 阶段混合检索：向量搜索、BM25、RRF 融合、交叉编码重排、MMR 多样性，精准召回。

⚡ 智能演化

7 种协调决策 -- 创建、合并、取代、支持、情境化、矛盾、跳过 -- 让记忆越来越聪明。
📖 **[记忆管线架构](docs/PIPELINE.md)** -- 深入了解 ourmem 如何存储、检索和演化记忆。 🔗 **[记忆共享架构](docs/SHARING.md)** -- 记忆如何跨 Agent 和团队流动：共享、溯源、版本控制和跨空间搜索。 ## 功能一览 | 分类 | 功能 | 详情 | |------|------|------| | **平台** | 4 个平台 | OpenCode、Claude Code、OpenClaw、MCP Server | | **共享** | 空间共享 | 个人 / 团队 / 组织，带溯源追踪 | | | 溯源追踪 | 每条共享记忆携带完整来源链 | | | 质量门控自动共享 | 规则在记忆创建时自动触发（异步、非阻塞） | | | 向量嵌入传播 | 共享副本携带源记忆的向量嵌入，支持完整搜索 | | | 幂等分享 | 重复分享返回已有副本（不创建重复） | | | 版本追踪 | 记忆追踪版本计数器，共享副本通过 `?check_stale=true` 检测过时状态 | | | 刷新过时副本 | 用源记忆最新内容和向量刷新过时的共享副本 | | | 便捷分享 | 一步跨用户分享（`share-to-user`）和批量分享（`share-all-to-user`），自动创建桥接空间 | | | 组织管理 | 一步创建组织（`org/setup`）和发布（`org/publish`），支持自动分享规则 | | | 跨空间搜索 | 一次搜索覆盖所有可访问空间 | | **摄入** | 智能去重 | 7 种决策：创建、合并、跳过、取代、支持、情境化、矛盾 | | | 噪声过滤 | 正则 + 向量原型 + 反馈学习 | | | 准入控制 | 5 维评分门控（效用、置信度、新颖度、时效性、类型先验） | | | 双流写入 | 同步快速路径（<50ms）+ 异步 LLM 提取 | | | 导入后智能化 | 批量导入 → 异步 LLM 重新提取 + 关系发现 | | | 自适应导入策略 | 自动/原子/段落/文档 -- 启发式内容类型检测 | | | 内容保真 | 保留原始文本，双路径搜索（向量 + BM25 搜索源文本） | | | 交叉关联 | 通过向量相似度发现记忆间关系 | | | 批量自去重 | LLM 在同一导入批次内去重事实 | | | 隐私保护 | `` 标签脱敏 | | **检索** | 11 阶段管道 | 向量 + BM25 → RRF → 重排 → 衰减 → 重要性 → MMR 多样性 | | | 用户画像 | 静态事实 + 动态上下文，<100ms | | | 检索追踪 | 每阶段可解释性（输入/输出/分数/耗时） | | **生命周期** | Weibull 衰减 | 按层级 β 值（核心=0.8、工作=1.0、边缘=1.3） | | | 三层晋升 | 边缘 ↔ 工作 ↔ 核心，基于访问频率晋升 | | | 自动遗忘 | 时间引用检测（"明天"、"下周"）自动设 TTL | | **多模态** | 文件处理 | PDF、图片 OCR、视频转录、代码 AST 分块 | | | GitHub 连接器 | Webhook 实时同步代码、Issue、PR | | **部署** | 开源 | Apache-2.0 | | | 可自部署 | 单二进制、Docker 一行命令、~$5/月 | | | musl 静态编译 | 零依赖二进制，任何 Linux x86_64 可运行 | | | 对象存储 | AWS S3 或任何 S3 兼容存储，支持 IAM 角色 | | | 托管版 | ourmem.ai -- 无需部署 | ## 从孤立 Agent 到集体智能 大多数 AI 记忆系统把知识困在孤岛里。ourmem 的三级空间架构让知识在 Agent 和团队之间流动 -- 带溯源追踪和质量门控的共享机制。 > *研究表明，协作记忆可以减少高达 61% 的重复工作 -- Agent 不再重新发现队友已经知道的东西。* > — Collaborative Memory, ICLR 2026 | | 个人空间 | 团队空间 | 组织空间 | |---|---------|---------|---------| | **范围** | 一个用户的多个 Agent | 多个用户 | 全公司 | | **例子** | 代码 + 写作 Agent 共享偏好 | 后端团队共享架构决策 | 技术标准、安全策略 | | **权限** | 仅所有者的 Agent | 团队成员 | 全组织（只读） | **溯源追踪共享** -- 每条共享记忆携带完整来源链：谁共享的、什么时候、从哪里来。共享副本包含源记忆的向量嵌入，在目标空间中可通过向量搜索完整检索。 **质量门控自动共享** -- 按重要性、类别、标签过滤。规则在新记忆创建时自动触发。只有高价值洞察才能跨空间传播。 ## 工作原理 ``` ┌──────────────────────────────────────────────────────────────────┐ │ 你的 AI Agent（OpenCode / Claude Code / OpenClaw / Cursor） │ │ │ │ 会话开始 → 自动召回相关记忆 │ │ 工作中 → 关键词检测触发召回 │ │ 会话结束 → 自动捕获决策、偏好、事实 │ └───────────────────────────┬──────────────────────────────────────┘ │ REST API（X-API-Key） ▼ ┌──────────────────────────────────────────────────────────────────┐ │ ourmem 服务端 │ │ │ │ ┌─ 智能摄入 ─────────────────────────────────────────────────┐ │ │ │ 消息 → LLM 提取 → 噪声过滤 → 准入控制 │ │ │ │ → 7 种协调决策（创建 / 合并 / 取代 / │ │ │ │ 支持 / 情境化 / 矛盾 / 跳过） │ │ │ │ → 交叉关联发现 → 隐私脱敏 │ │ │ └────────────────────────────────────────────────────────────┘ │ │ │ │ ┌─ 混合检索（11 阶段）──────────────────────────────────────┐ │ │ │ 向量 + BM25 → RRF 融合 → 交叉编码重排 │ │ │ │ → Weibull 衰减加权 → 重要性评分 │ │ │ │ → MMR 多样性 → 并行跨空间聚合 │ │ │ └────────────────────────────────────────────────────────────┘ │ │ │ │ ┌─ 共享引擎 ─────────────────────────────────────────────────┐ │ │ │ 个人 / 团队 / 组织空间 │ │ │ │ → 溯源追踪 → 基于版本的过时检测 │ │ │ │ → 自动共享规则 → 一步跨用户分享 │ │ │ └────────────────────────────────────────────────────────────┘ │ │ │ │ ┌─ 生命周期 ─────────────────────────────────────────────────┐ │ │ │ Weibull 衰减（核心 β=0.8 / 工作 β=1.0 / 边缘 │ │ │ │ β=1.3）→ 三层晋升 → 自动遗忘 TTL │ │ │ └────────────────────────────────────────────────────────────┘ │ └──────────────────────────────────────────────────────────────────┘ ``` - **写一次，到处召回** — 记忆跨会话、跨设备、跨 Agent 持久存在 - **越用越聪明** — 协调机制自动合并、更新和标记矛盾记忆 - **跨越边界共享** — 个人 → 团队 → 组织的知识流动，全程溯源 - **无需手动管理** — Weibull 衰减处理生命周期，自动共享规则处理分发 ## 核心概念 ### API Key = 租户 ID = 你的身份 创建租户时，返回的 `id` **就是**你的 API Key。它们是同一个 UUID，没有独立的"租户 ID"。 ```bash curl -X POST https://api.ourmem.ai/v1/tenants -d '{"name": "alice"}' # → {"id": "a1b2c3d4-...", "api_key": "a1b2c3d4-...", "status": "active"} # ↑ 同一个值 ↑ ``` ### API Key 与 Space ID 的区别 | 概念 | 说明 | 示例 | 数量 | |------|------|------|------| | **API Key** | 你的身份标识。放在 `X-API-Key` 请求头中。 | `a1b2c3d4-...` | 每用户 1 个 | | **Space ID** | 记忆存储地址。每个 Space 是一个独立的数据库。 | `personal/a1b2c3d4-...` | 每用户多个 | 一个 API Key 拥有多个 Space： ``` API Key "a1b2c3d4" │ ├── personal/a1b2c3d4 ← 自动创建，你的私有记忆 ├── team/e5f6g7h8 ← 你创建的团队空间（你是管理员） ├── team/i9j0k1l2 ← 你被邀请加入的团队空间（你是成员） └── org/m3n4o5p6 ← 你加入的组织（你是只读） ``` ### 分享 = 传递对方的 API Key 分享记忆给另一个用户时，把对方的 API Key 作为 `target_user` 传入： ```bash # 把你的所有偏好分享给用户 Bob curl -X POST https://api.ourmem.ai/v1/memories/share-all-to-user \ -H "X-API-Key: your-api-key" \ -d '{"target_user": "bobs-api-key", "filters": {"categories": ["preference"]}}' ``` 系统自动在你和 Bob 之间创建桥接 Team Space，无需手动管理空间。 ## 快速开始 ### Agent 安装（推荐） 告诉你的 AI 助手一句话，它会自动完成所有操作 -- 创建 API Key、安装插件、配置、验证。 **托管版（ourmem.ai -- 无需部署）：** | 平台 | 复制给你的 Agent | |------|-----------------| | **OpenClaw** | `Read https://ourmem.ai/SKILL.md and follow the instructions to install and configure ourmem for OpenClaw` | | **Claude Code** | `Read https://ourmem.ai/SKILL.md and follow the instructions to install and configure ourmem for Claude Code` | | **OpenCode** | `Read https://ourmem.ai/SKILL.md and follow the instructions to install and configure ourmem for OpenCode` | | **Cursor / VS Code** | `Read https://ourmem.ai/SKILL.md and follow the instructions to install and configure ourmem as MCP Server` | **自部署版（你自己的服务器）：** | 平台 | 安装方式 | |------|---------| | **OpenClaw** | 运行 `openclaw skills install ourmem`，然后告诉 Agent：`setup ourmem in self-hosted mode` | | **Claude Code** | `Read https://raw.githubusercontent.com/ourmem/omem/main/skills/ourmem/SKILL.md and install ourmem for Claude Code, self-hosted mode` | | **OpenCode** | `Read https://raw.githubusercontent.com/ourmem/omem/main/skills/ourmem/SKILL.md and install ourmem for OpenCode, self-hosted mode` | 就这样。Agent 会处理剩下的一切。 **Skill 安装（替代方式）：** 如果你更喜欢命令行安装，可以直接安装 ourmem skill： ```bash npx skills add ourmem/omem --skill ourmem -g ``` 支持 44+ AI Agent，包括 Claude Code、OpenCode、Cursor 等。详见 [Vercel Skills CLI](https://github.com/vercel-labs/skills)。 ---
手动安装（不通过 Agent） ### 1. 获取 API Key **托管版：** ```bash curl -sX POST https://api.ourmem.ai/v1/tenants \ -H "Content-Type: application/json" \ -d '{"name": "my-workspace"}' | jq . # → {"id": "xxx", "api_key": "xxx", "status": "active"} ``` **自部署版：** ```bash docker run -d -p 8080:8080 -e OMEM_EMBED_PROVIDER=bedrock ghcr.io/ourmem/omem-server:latest curl -sX POST http://localhost:8080/v1/tenants \ -H "Content-Type: application/json" \ -d '{"name": "my-workspace"}' | jq . ``` 保存返回的 `api_key` -- 用它可以从任何设备重连到同一份记忆。 ### 2. 安装插件 **OpenCode:** 在 `opencode.json` 中添加 `"plugin": ["@ourmem/opencode"]` + 在同文件中通过 `plugin_config` 配置 `apiUrl` 和 `apiKey`。 **Claude Code:** `/plugin marketplace add ourmem/omem` + 在 `~/.claude/settings.json` 设环境变量。 **OpenClaw:** `openclaw plugins install @ourmem/ourmem` + 配置 `openclaw.json` 中的 apiUrl 和 apiKey。 **MCP (Cursor / VS Code / Claude Desktop):** ```json { "mcpServers": { "ourmem": { "command": "npx", "args": ["-y", "@ourmem/mcp"], "env": { "OMEM_API_URL": "https://api.ourmem.ai", "OMEM_API_KEY": "your-api-key" } } } } ``` ### 3. 验证 ```bash curl -sX POST "$OMEM_API_URL/v1/memories" \ -H "X-API-Key: $OMEM_API_KEY" -H "Content-Type: application/json" \ -d '{"content": "I prefer dark mode", "tags": ["preference"]}' curl -s "$OMEM_API_URL/v1/memories/search?q=dark+mode" -H "X-API-Key: $OMEM_API_KEY" ```
## Agent 获得的能力 ### 记忆工具 | 工具 | 用途 | |------|------| | `memory_store` | 保存事实、决策、偏好，智能去重 | | `memory_search` | 11 阶段混合搜索（向量 + BM25 + 重排） | | `memory_get` | 按 ID 获取特定记忆 | | `memory_update` | 修改内容、标签、重要性、层级 | | `memory_delete` | 删除记忆 | | `memory_list` | 浏览记忆，支持过滤和分页 | | `memory_ingest` | 智能摄入完整对话（LLM 提取） | | `memory_profile` | 自动生成用户画像（静态事实 + 动态上下文） | | `memory_stats` | 分析：标签分布、衰减曲线、关系图谱 | ### 共享工具 | 工具 | 用途 | |------|------| | `space_create` | 创建团队或组织空间 | | `space_list` | 列出所有可访问的空间 | | `space_add_member` | 邀请用户加入共享空间 | | `memory_share` | 将记忆分享到任意空间，带溯源 | | `memory_pull` | 将共享记忆拉取到个人空间 | | `memory_reshare` | 用最新内容刷新过时的共享副本 | > **便捷 API：** `share-to-user`（一步跨用户分享，自动创建桥接空间）和 `share-all-to-user`（批量分享）。MCP 提供 15 个工具 + 1 个资源。OpenCode/OpenClaw 提供 11 个工具 + 3 个钩子。 ### 智能钩子 | 钩子 | 触发时机 | 效果 | |------|---------|------| | **SessionStart** | 新会话开始 | 近期记忆 + 用户画像自动注入上下文 | | **KeywordRecall** | 会话中检测到关键词 | 相关记忆自动浮现，无需显式搜索 | | **SessionEnd** | 会话结束 | 关键决策、偏好和事实自动捕获 | | **Compaction** | 上下文窗口压缩 | 关键记忆跨压缩边界保留 | ## Memory Space 在 **[ourmem.ai/space](https://ourmem.ai/space)** 可视化浏览、搜索和管理你的 Agent 记忆 -- 查看记忆如何连接、演化和衰减。 ## 安全与隐私 | | | |---|---| | **Rust 内存安全** | 无 GC、无数据竞争。所有权模型编译时保证安全。 | | **租户隔离** | X-API-Key 认证 + 查询级租户过滤。每个操作验证归属。 | | **隐私保护** | `` 标签脱敏，存储前自动剥离敏感内容。 | | **传输加密** | 全部 API 通过 HTTPS 传输。S3 服务端静态加密。 | | **准入控制** | 5 维评分门控，低质量数据拒绝入库。 | | **开源可审计** | Apache-2.0 许可。审计每一行代码，fork 它，运行你自己的实例。 | ## 自部署 ```bash # 最小化（仅 BM25 搜索，无需 embedding API） docker run -d -p 8080:8080 ghcr.io/ourmem/omem-server:latest # 使用 Bedrock embedding（推荐，需要 AWS 凭证） docker run -d -p 8080:8080 \ -e OMEM_EMBED_PROVIDER=bedrock \ -e AWS_REGION=us-east-1 \ ghcr.io/ourmem/omem-server:latest # 使用 OpenAI 兼容 embedding docker run -d -p 8080:8080 \ -e OMEM_EMBED_PROVIDER=openai-compatible \ -e OMEM_EMBED_API_KEY=sk-xxx \ ghcr.io/ourmem/omem-server:latest ``` 完整部署指南：[docs/DEPLOY.md](docs/DEPLOY.md) ### 对象存储（可选） 默认情况下 ourmem 将数据存储在本地磁盘。如需持久化和可扩展性，可配置 AWS S3 或任何 S3 兼容的对象存储： ```bash # 添加到你的环境变量 OMEM_S3_BUCKET=your-bucket # 启用 s3:// 方案 AWS_ENDPOINT_URL=https://s3.amazonaws.com AWS_REGION=us-east-1 # 替代方案：OSS 兼容存储 OMEM_OSS_BUCKET=your-bucket # 启用 oss:// 方案 OSS_ENDPOINT=https://oss-xx-internal.aliyuncs.com OSS_ACCESS_KEY_ID=your-ak # 或使用 ECS RAM 角色（自动发现） OSS_ACCESS_KEY_SECRET=your-sk ``` > 如果同时设置了 `OMEM_S3_BUCKET` 和 `OMEM_OSS_BUCKET`，OSS 优先。 ## 从源码构建 ### 两种构建模式 | 模式 | 命令 | 二进制 | Bedrock | 运行环境 | |------|------|--------|---------|---------| | **glibc（完整版）** | `cargo build --release` | 动态链接，~218MB | ✅ AWS Bedrock | 与构建主机相同 glibc 版本 | | **musl（便携版）** | 见下方 | 静态链接，~182MB | ❌ 仅 OpenAI 兼容 | **任何 Linux x86_64** | ### glibc 构建（支持 Bedrock） ```bash cargo build --release -p omem-server # 二进制：target/release/omem-server # 要求：目标机器有相同或更新版本的 glibc ``` ### musl 静态构建（便携，零依赖） 单个二进制文件，可在**任何 Linux x86_64** 上运行 -- 不需要 glibc，不需要任何库。 ```bash rustup target add x86_64-unknown-linux-musl RUSTFLAGS="-C target-feature=+crt-static -C relocation-model=static" \ cargo build --release --target x86_64-unknown-linux-musl \ -p omem-server --no-default-features # 二进制：target/x86_64-unknown-linux-musl/release/omem-server # 静态链接，到处可运行 ``` > **注意：** musl 构建使用 `--no-default-features`，不包含 AWS Bedrock 支持。请改用 `OMEM_EMBED_PROVIDER=openai-compatible`（如 DashScope、OpenAI）。原因是 `aws-lc-sys`（AWS 加密库）在 musl 静态链接时因 `dlopen(NULL)` 不兼容而崩溃（[aws-c-cal#213](https://github.com/awslabs/aws-c-cal/issues/213)），且 Rust 默认的 `static-pie` 输出在 musl-gcc 下会段错误（[rust-lang/rust#95926](https://github.com/rust-lang/rust/issues/95926)）。 ### 传输到任意服务器 ```bash # 压缩 gzip -c target/x86_64-unknown-linux-musl/release/omem-server > omem-server.gz # 复制到服务器 scp omem-server.gz user@server:/opt/ # 运行（无需任何依赖） ssh user@server "gunzip /opt/omem-server.gz && chmod +x /opt/omem-server && /opt/omem-server" ``` ## API 概览 | 方法 | 端点 | 说明 | |------|------|------| | POST | `/v1/tenants` | 创建工作空间，获取 API Key | | POST | `/v1/memories` | 存储记忆或智能摄入对话 | | GET | `/v1/memories/search` | 11 阶段混合搜索 | | GET | `/v1/memories` | 列表查询，支持过滤和分页 | | GET | `/v1/profile` | 自动生成的用户画像 | | POST | `/v1/spaces` | 创建共享空间 | | POST | `/v1/memories/:id/share` | 分享记忆到空间 | | POST | `/v1/files` | 上传 PDF / 图片 / 视频 / 代码 | | GET | `/v1/stats` | 分析与洞察 | 完整 API 参考（48+ 个端点）：[docs/API.md](docs/API.md) ## 文档 | 文档 | 说明 | |------|------| | [docs/API.md](docs/API.md) | 完整 REST API 参考 | | [docs/PIPELINE.md](docs/PIPELINE.md) | 记忆管线架构 -- 存储、检索和插件集成流程 | | [docs/SHARING.md](docs/SHARING.md) | 记忆共享架构、流程和教程 | | [docs/DEPLOY.md](docs/DEPLOY.md) | Docker 与 AWS 部署指南 | | [docs/PLUGINS.md](docs/PLUGINS.md) | 4 个平台的插件安装指南 | | [docs/TWEETCLAW_OPENCLAW.md](docs/TWEETCLAW_OPENCLAW.md) | OpenClaw 工作流：将 TweetClaw X/Twitter 研究决策存入 ourmem | | [skills/ourmem/SKILL.md](skills/ourmem/SKILL.md) | AI Agent 入门技能 | ## 许可证 Apache-2.0 ---

共享记忆，永不遗忘。
ourmem.ai · GitHub