🦞 使用 MemOS 插件增强 OpenClaw

🦞 您的龙虾现在拥有了工作记忆系统——选择“云端”或“本地”即可开始使用。

☁️ 云端插件——托管式内存服务

• token 使用量降低 72%——智能检索内存，而非加载完整聊天记录
• 多智能体共享内存——多个实例的智能体通过相同的 user_id 共享内存，自动进行上下文交接

获取您的 API 密钥：MemOS 控制台 完整教程 → MemOS-Cloud-OpenClaw-Plugin

🧠 本地插件——100% 本地设备内存

• 零云端依赖——所有数据均保存在您的设备上，采用持久化的本地 SQLite 存储
• 混合搜索 + 任务与技能进化——FTS5 + 向量搜索，自动总结任务，可重复使用的技能会自我升级
• 多智能体协作 + 内存查看器——内存隔离、技能共享，配备包含 7 个管理页面的完整 Web 控制台

🌐 首页 · 📖 文档 · 📦 NPM

📌 MemOS：面向 AI 智能体的记忆操作系统

MemOS 是一款专为 LLM 和 AI 智能体设计的记忆操作系统，它统一了长期记忆的存储 / 检索 / 管理功能，从而实现情境感知与个性化的交互，并内置了对知识库、多模态信息、工具记忆以及企业级优化的支持。

核心特性

• 统一的记忆 API：一个单一的 API 即可完成记忆的添加、检索、编辑和删除——以图结构组织，设计上可检查和编辑，而非黑盒式的嵌入存储。
• 多模态记忆：原生支持文本、图像、工具调用痕迹和角色人格，可在同一记忆系统中共同检索并进行推理。
• 多立方体知识库管理：将多个知识库作为可组合的记忆立方体进行管理，实现隔离、受控共享以及跨用户、项目和智能体的动态组合。
• 通过 MemScheduler 进行异步摄入：以毫秒级延迟异步执行记忆操作，确保高并发下的生产稳定性。
• 记忆反馈与修正：通过自然语言反馈来优化记忆——随着时间推移，可以纠正、补充或替换现有记忆。

新闻

• 2026年3月8日 · 🦞 MemOS OpenClaw 插件 — 云端与本地 官方 OpenClaw 内存插件正式发布。云端插件：托管式内存服务，令牌使用量降低 72%，支持多智能体内存共享（MemOS-Cloud-OpenClaw-Plugin）。本地插件（v1.0.0）：100% 本地设备端内存，采用持久化 SQLite 数据库、混合搜索（FTS5 + 向量）、任务摘要与技能进化、多智能体协作，以及完整的内存查看器仪表盘。

• 2025年12月24日 · 🎉 MemOS v2.0：Stardust（星尘）发布 全面的知识库功能（文档/URL 解析 + 跨项目共享）、记忆反馈与精准删除、多模态记忆（图片/图表）、用于智能体规划的工具记忆、Redis Streams 调度 + 数据库优化、流式/非流式聊天、MCP 升级，以及轻量级快速/完整部署。

  ✨ 新特性

  知识库与记忆

  • 新增知识库支持，可从文档和 URL 中获取长期记忆

  反馈与记忆管理

  • 新增自然语言反馈与记忆修正功能
  • 新增基于记忆 ID 的记忆删除 API
  • 新增对 MCP 的支持，用于记忆删除和反馈

  对话与检索

  • 新增具备记忆感知检索功能的聊天 API
  • 新增自定义标签的记忆过滤功能（云端与开源版）

  多模态与工具记忆

  • 新增工具记忆，用于记录工具使用历史
  • 新增图像记忆支持，可用于对话和文档
  📈 改进

  数据与基础设施

  • 升级数据库，提升稳定性和性能

  调度器

  • 使用 Redis Streams 和队列隔离重构任务调度器
  • 新增任务优先级、自动恢复及配额制调度功能

  部署与工程

  • 新增轻量级部署模式，提供快速与完整两种选择
  🐞 Bug 修复

  记忆调度与更新

  • 修复了旧版调度 API，确保记忆隔离正确
  • 修复了记忆更新日志，使其能正确显示新记忆

• 2025年8月7日 · 🎉 MemOS v1.0.0（MemCube）发布 首个 MemCube 版本，包含文字游戏演示、LongMemEval 评估、BochaAISearchRetriever 集成、搜索能力提升，以及官方 Playground 正式上线。

  ✨ 新特性

  Playground

  • 扩展了 Playground 功能及算法性能。

  MemCube 构建

  • 基于 MemCube 小说新增文本游戏演示。

  扩展评估集

  • 新增 LongMemEval 评估结果及脚本。
  📈 改进

  纯文本记忆

  • 集成 Bocha 的互联网搜索功能
  • 扩展图数据库支持
  • 为树状结构的纯文本记忆搜索界面增加了上下文理解能力
  🐞 Bug 修复

  KV 缓存拼接

  • 修复了 concat_cache 方法。

  纯文本记忆

  • 修复了图搜索相关问题。

• 2025年7月7日 · 🎉 MemOS v1.0：Stellar（星河）预览版发布 一款面向 LLM 的 SOTA 记忆操作系统现已开源。

• 2025年7月4日 · 🎉 MemOS 论文发布 MemOS：面向 AI 系统的记忆操作系统 已在 arXiv 上发布。

• 2024年7月4日 · 🎉 Memory3 模型于 WAIC 2024 发布 具有记忆分层架构的 Memory3 模型在 2024 年世界人工智能大会上亮相。

🚀 快速入门指南

☁️ 1、云端 API（托管）

获取 API 密钥

• 在 MemOS 控制台 注册
• 进入 API 密钥 页面并复制您的密钥

下一步

• MemOS 云端入门：几分钟内连接到 MemOS 云端并启用记忆功能。
• MemOS 云平台：探索云端控制台、功能及工作流程。

🖥️ 2、自托管（本地/私有）

1. 获取代码仓库。

   git clone https://github.com/MemTensor/MemOS.git
   cd MemOS
   pip install -r ./docker/requirements.txt
   

2. 配置 docker/.env.example 并复制到 MemOS/.env

• OPENAI_API_KEY、MOS_EMBEDDER_API_KEY、MEMRADER_API_KEY 等可通过 BaiLian 申请。
• 将相应配置填入 MemOS/.env 文件中。
• 支持的 LLM 提供商：OpenAI、Azure OpenAI、Qwen（DashScope）、DeepSeek、MiniMax、Ollama、HuggingFace、vLLM。通过设置 MOS_CHAT_MODEL_PROVIDER 来选择后端（例如 openai、qwen、deepseek、minimax）。

3. 启动服务。

• 通过 Docker 启动

  提示：请确保已成功安装 Docker Compose，并在执行以下命令前进入 docker 目录（使用 cd docker）。

  # 进入 docker 目录
  docker compose up
  

  详细步骤请参阅Docker 参考。

• 通过 uvicorn 命令行界面（CLI）启动

  提示：请确保 Neo4j 和 Qdrant 已运行后再执行以下命令。

  cd src
  uvicorn memos.api.server_api:app --host 0.0.0.0 --port 8001 --workers 1
  

  详细集成步骤请参阅 CLI 参考。

自托管基本使用

• 添加用户消息

  import requests
  import json
  
  data = {
      "user_id": "8736b16e-1d20-4163-980b-a5063c3facdc",
      "mem_cube_id": "b32d0977-435d-4828-a86f-4f47f8b55bca",
      "messages": [
          {
              "role": "user",
              "content": "我喜欢草莓"
          }
      ],
      "async_mode": "sync"
  }
  headers = {
      "Content-Type": "application/json"
  }
  url = "http://localhost:8000/product/add"
  
  res = requests.post(url=url, headers=headers, data=json.dumps(data))
  print(f"result: {res.json()}")
  

• 搜索用户记忆

  import requests
  import json
  
  data = {
      "query": "我喜欢什么",
      "user_id": "8736b16e-1d20-4163-980b-a5063c3facdc",
      "mem_cube_id": "b32d0977-435d-4828-a86f-4f47f8b55bca"
  }
  headers = {
      "Content-Type": "application/json"
  }
  url = "http://localhost:8000/product/search"
  
  res = requests.post(url=url, headers=headers, data=json.dumps(data))
  print(f"result: {res.json()}")
  

📚 资源

• Awesome-AI-Memory 这是一个精心整理的资源库，专注于大型语言模型的记忆与记忆系统相关资料。它系统性地收集了相关的研究论文、框架、工具以及实践见解。该仓库旨在梳理并呈现快速发展的LLM记忆研究领域，连接自然语言处理、信息检索、智能体系统和认知科学等多个研究方向。
• 开始使用 👉 IAAR-Shanghai/Awesome-AI-Memory
• MemOS Cloud OpenClaw 插件 MemOS Cloud 的官方 OpenClaw 生命周期插件。它会在智能体启动前自动从 MemOS 中调用上下文，并在智能体完成任务后将对话保存回 MemOS。
• 开始使用 👉 MemTensor/MemOS-Cloud-OpenClaw-Plugin

💬 社区与支持

加入我们的社区，提问、分享你的项目，并与其他开发者交流。

• GitHub Issues: 在我们的 GitHub Issues 中报告问题或请求功能。
• GitHub Pull Requests: 通过 Pull Requests 贡献代码改进。
• GitHub Discussions: 参与我们的 GitHub Discussions,提出问题或分享想法。
• Discord: 加入我们的 Discord 服务器。
• 微信: 扫描二维码加入我们的微信群。

📜 引用

[!NOTE] 我们于 2025年5月28日 公开发布了简版论文，使其成为最早提出面向LLM的记忆操作系统概念的工作。

如果你在研究中使用了 MemOS，我们非常感谢你引用我们的论文。

@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}
}

@article{yang2024memory3,
author = {Yang, Hongkang and Zehao, Lin and Wenjin, Wang and Wu, Hao and Zhiyu, Li and Tang, Bo and Wenqiang, Wei and Wang, Jinbo and Zeyun, Tang and Song, Shichao and Xi, Chenyang and Yu, Yu and Kai, Chen and Xiong, Feiyu and Tang, Linpeng and Weinan, E},
title = {Memory$^3$: Language Modeling with Explicit Memory},
journal = {Journal of Machine Learning},
year = {2024},
volume = {3},
number = {3},
pages = {300--346},
issn = {2790-2048},
doi = {https://doi.org/10.4208/jml.240708},
url = {https://global-sci.com/article/91443/memory3-language-modeling-with-explicit-memory}
}

🙌 贡献

我们欢迎社区的贡献！请阅读我们的 贡献指南 以开始参与。

📄 许可证

MemOS 采用 Apache 2.0 许可证 许可。

MemOS 快速上手指南

MemOS 是一款专为 LLM 和 AI Agent 设计的记忆操作系统，支持长期记忆的存储、检索与管理，具备多模态记忆、知识库管理及企业级优化能力。

1. 环境准备

系统要求

• 操作系统: Linux, macOS, Windows
• Python 版本: 3.8+ (推荐 3.10+)
• 容器化部署 (推荐): Docker & Docker Compose
• 本地依赖服务 (若不使用 Docker):
  • Neo4j (图数据库)
  • Qdrant (向量数据库)

前置依赖

• 确保已安装 git, pip (或 uv), docker-compose。
• API Key 准备:
  • 需准备大模型及 Embedding 服务的 API Key。
  • 国内用户推荐使用阿里云百炼 (BaiLian) 获取通义千问 (Qwen) 等相关密钥。
  • 支持提供商：OpenAI, Azure OpenAI, Qwen (DashScope), DeepSeek, MiniMax, Ollama, HuggingFace, vLLM。

2. 安装步骤

方式一：Docker 部署（推荐）

此方式自动处理所有依赖服务（Neo4j, Qdrant 等），最适合快速启动。

1. 克隆仓库

   git clone https://github.com/MemTensor/MemOS.git
   cd MemOS
   pip install -r ./docker/requirements.txt
   

2. 配置环境变量 复制示例配置文件并编辑：

   cp docker/.env.example MemOS/.env
   

   编辑 MemOS/.env，填入以下关键配置：

   • OPENAI_API_KEY / MOS_EMBEDDER_API_KEY / MEMRADER_API_KEY: 填入从 阿里云百炼 或其他提供商获取的密钥。
   • MOS_CHAT_MODEL_PROVIDER: 设置后端模型提供商 (例如：qwen, deepseek, openai, ollama)。

3. 启动服务 进入 docker 目录并启动：

   cd docker
   docker compose up
   

方式二：命令行 (CLI) 部署

适用于已有 Neo4j 和 Qdrant 运行环境的开发者。

1. 安装依赖并配置环境变量 参考上述“方式一”的步骤 1 和 2 完成代码克隆与 .env 配置。

2. 启动服务 确保 Neo4j 和 Qdrant 正在运行后，执行：

   cd src
   uvicorn memos.api.server_api:app --host 0.0.0.0 --port 8001 --workers 1
   

3. 基本使用

服务启动后（默认端口 8000 或 8001），可通过 HTTP API 进行记忆操作。

添加用户记忆

将用户对话内容存入记忆系统：

import requests
import json

data = {
    "user_id": "8736b16e-1d20-4163-980b-a5063c3facdc",
    "mem_cube_id": "b32d0977-435d-4828-a86f-4f47f8b55bca",
    "messages": [
        {
            "role": "user",
            "content": "I like strawberry"
        }
    ],
    "async_mode": "sync"
}
headers = {
    "Content-Type": "application/json"
}
# 根据实际启动端口调整 URL (Docker 默认为 8000, CLI 默认为 8001)
url = "http://localhost:8000/product/add"

res = requests.post(url=url, headers=headers, data=json.dumps(data))
print(f"result: {res.json()}")

检索用户记忆

根据查询内容检索相关记忆：

import requests
import json

data = {
    "query": "What do I like",
    "user_id": "8736b16e-1d20-4163-980b-a5063c3facdc",
    "mem_cube_id": "b32d0977-435d-4828-a86f-4f47f8b55bca",
    "top_k": 5
}
headers = {
    "Content-Type": "application/json"
}
url = "http://localhost:8000/product/search"

res = requests.post(url=url, headers=headers, data=json.dumps(data))
print(f"search result: {res.json()}")

提示: 更多高级功能（如多模态记忆、知识库管理、反馈修正）请参考官方文档或访问 MemOS Dashboard。