$AUTOMEM: Bags.fm • Jupiter • Photon • DEXScreener

CA: CV485ySXfgFiwLtbh815JRukH4r9ChLhddqsAaZKBAGS (Solana)

真正会学习的AI记忆

AutoMem是一个面向AI助手的生产级长期记忆系统，拥有透明的LoCoMo基准测试基线（ACL 2024）：在跳过第5类的情况下，locomo-mini的1-4类得分为89.27%；而在启用可选的第5类评判者时，完整locomo的得分为87.56%。有关方法论和当前基线，请参阅benchmarks/EXPERIMENT_LOG.md。

60秒内即可部署：

railway up

---

图形查看器（独立版）

可视化工具现以独立服务/仓库（automem-graph-viewer）的形式运行。AutoMem仍保留/viewer作为兼容入口，并将用户重定向至独立应用。

请在AutoMem API服务上设置以下变量：

ENABLE_GRAPH_VIEWER=true
GRAPH_VIEWER_URL=https://<your-viewer-domain>
VIEWER_ALLOWED_ORIGINS=https://<your-viewer-domain>

当用户访问/viewer/#token=...时，AutoMem会保留哈希令牌，并将其重定向至独立查看器，同时附带server=<automem-origin>参数。

---

为什么需要AutoMem？

您的AI会在每次会话之间遗忘所有内容。RAG只会检索相似文档。向量数据库虽然能匹配关键词，却无法捕捉语义含义。它们都无法真正学习。

AutoMem赋予AI助手记忆、关联并不断进化理解能力的能力，就像人类的长期记忆一样。

AutoMem的工作原理

AutoMem结合了两种互补的存储系统：

• FalkorDB（图数据库）：将记忆存储为节点，并通过类型化的关系连接起来
• Qdrant（向量数据库）：通过嵌入实现语义相似性搜索

这种双层架构使您能够提出诸如“我们为什么选择PostgreSQL？”这样的问题，不仅得到相关记忆，还能了解背后的推理、偏好以及与其相关的决策过程。

核心功能

• 🧠 存储记忆，附带元数据、重要性评分和时间上下文
• 🔍 召回：通过混合搜索结合语义、关键词、图结构和时间信号
• 🔗 连接记忆，支持11种可自定义的关系类型，以及系统自动生成的语义和时间边
• 🎯 学习：自动提取实体、检测模式并进行整合
• ⚡ 性能：在数千条记忆中实现亚百毫秒级别的召回速度

研究基础

AutoMem实现了多项经过同行评审的记忆研究技术：

• HippoRAG 2（俄亥俄州立大学，2025年）：基于图与向量的混合模型，用于联想记忆
• A-MEM（2025年）：采用泽特尔卡斯滕式聚类的动态记忆组织
• MELODI（DeepMind，2024年）：通过概要表示进行压缩
• ReadAgent（DeepMind，2024年）：通过情景记忆扩展上下文

架构

flowchart TB
    subgraph service [AutoMem服务 Flask]
        API[REST API<br/>记忆生命周期]
        Enrichment[后台增强<br/>管道]
        Consolidation[整合<br/>引擎]
        Backups[自动化备份<br/>可选]
    end

    subgraph storage [双层存储]
        FalkorDB[(FalkorDB<br/>图数据库)]
        Qdrant[(Qdrant<br/>向量数据库)]
    end

    Client[AI客户端] -->|存储/召回/关联| API
    API --> FalkorDB
    API --> Qdrant
    Enrichment -->|11种边类型<br/>模式节点| FalkorDB
    Enrichment -->|语义搜索<br/>3072维向量| Qdrant
    Consolidation --> FalkorDB
    Consolidation --> Qdrant
    Backups -.->|可选| FalkorDB
    Backups -.->|可选| Qdrant

FalkorDB（图数据库）：用于记录规范信息、关系及整合 Qdrant（向量数据库）：用于语义召回和相似性搜索 双层存储：内置冗余和灾难恢复机制

为什么选择图+向量？

flowchart LR
    subgraph trad [传统RAG：仅向量]
        direction TB
        Query1[查询：什么数据库？]
        VectorDB1[(向量数据库)]
        Result1[✅ PostgreSQL记忆<br/>❌ 无推理<br/>❌ 无关联]

        Query1 -->|相似性搜索| VectorDB1
        VectorDB1 --> Result1
    end

    subgraph automem [AutoMem：图+向量]
        direction TB
        Query2[查询：什么数据库？]

        subgraph hybrid [混合搜索]
            VectorDB2[(Qdrant<br/>向量)]
            GraphDB2[(FalkorDB<br/>图)]
        end

        Result2[✅ PostgreSQL记忆<br/>✅ 更倾向于MongoDB<br/>✅ 与团队专长相关<br/>✅ 源自枯燥的技术理念]

        Query2 --> VectorDB2
        Query2 --> GraphDB2
        VectorDB2 --> Result2
        GraphDB2 --> Result2
    end

传统RAG（仅向量）

记忆：“因可靠性选择了PostgreSQL”
查询：“我应该使用什么数据库？”
结果：✅ 找到了记忆
         ❌ 不知道您为何选择它
         ❌ 无法连接到相关决策

AutoMem（图+向量）

记忆：“因可靠性选择了PostgreSQL”
图：更倾向于MongoDB
       与“团队专长”记忆相关
       源自“枯燥技术”原则

查询：“我应该使用什么数据库？”
结果：✅ 找到了记忆
        ✅ 知道您的决策因素
        ✅ 展示了相关偏好
        ✅ 解释了您的推理模式

实际工作流程

多跳桥接发现

当你提出一个问题时，AutoMem 不仅会找到相关的记忆，还会找到这些记忆之间的连接。这被称为桥接发现：通过图关系来揭示那些将初始结果串联起来的记忆。

graph TB
    Query[用户查询：<br/>为什么选择枯燥的技术来使用 Kafka？]

    Seed1[种子记忆 1：<br/>PostgreSQL 迁移<br/>为了操作简便]

    Seed2[种子记忆 2：<br/>Kafka 与 RabbitMQ<br/>对比评估]

    Bridge[桥接记忆：<br/>团队偏好简单可靠的技术<br/>经过验证、易于调试的系统]

    Result[结果：<br/>AI 理解的是架构<br/>哲学，而不仅仅是孤立的选择]

    Query -->|初始召回| Seed1
    Query -->|初始召回| Seed2
    Seed1 -.->|DERIVED_FROM| Bridge
    Seed2 -.->|DERIVED_FROM| Bridge
    Bridge --> Result
    Seed1 --> Result
    Seed2 --> Result

传统 RAG： 返回“Kafka”相关记忆（遗漏了其中的联系）

AutoMem 桥接发现：

• 种子记忆 1：“为操作简便迁移到 PostgreSQL”
• 种子记忆 2：“评估 Kafka 和 RabbitMQ 作为消息队列”
• 桥接记忆：“团队偏好简单可靠的技术——成熟稳定、易于调试的系统”

AutoMem 找到了连接这两个决策的桥梁 → 结果：AI 理解了你的架构哲学，而不仅仅是孤立的选择。

如何启用：

• 在召回请求中设置 expand_relations=true（默认已启用）
• 使用 relation_limit 和 expansion_limit 参数控制深度
• 结果会根据关系强度、时间相关性和重要性进行排序

不断演化的知识图谱

# 存储后：“为操作简便迁移到 PostgreSQL”

AutoMem 自动：
├── 提取实体（PostgreSQL、操作简便）
├── 自动打标签（entity:tool:postgresql, entity:concept:ops-simplicity）
├── 发现模式（“偏好简单技术”）
├── 建立时间关联（PRECEDED_BY 迁移计划）
└── 进行语义连接（SIMILAR_TO “Redis 部署”）

# 下一次查询：“我们应该使用 Kafka 吗？”
AI 回忆起：
- PostgreSQL 决策
- “简单技术”模式（在多条记忆中得到强化）
- 对操作简便的偏好
→ 建议：“根据您的模式，建议考虑 RabbitMQ 而不是 Kafka”

9 组分混合评分

flowchart LR
    Query[用户查询：<br/>数据库迁移<br/>标签=decision<br/>时间=上个月]

    subgraph scoring [混合评分组件]
        direction TB
        V[向量 25%<br/>语义相似度]
        K[关键词 15%<br/>TF-IDF 匹配]
        R[关系 25%<br/>图强度]
        C[内容 25%<br/>标记重叠]
        T[时间 15%<br/>时间一致性]
        Tag[标签 10%<br/>标签匹配]
        I[重要性 5%<br/>用户优先级]
        Conf[置信度 5%<br/>记忆置信度]
        Rec[最近性 10%<br/>新鲜度提升]
    end

    FinalScore[最终得分：<br/>按意义排序,<br/>而非单纯相似度]

    Query --> V
    Query --> K
    Query --> R
    Query --> C
    Query --> T
    Query --> Tag
    Query --> I
    Query --> Conf
    Query --> Rec

    V --> FinalScore
    K --> FinalScore
    R --> FinalScore
    C --> FinalScore
    T --> FinalScore
    Tag --> FinalScore
    I --> FinalScore
    Conf --> FinalScore
    Rec --> FinalScore

GET /recall?query=database%20migration&tags=decision&time_query=last%20month

# AutoMem 结合九种信号：
score = vector×0.25       # 语义相似度
      + keyword×0.15      # TF-IDF 文本匹配
      + relation×0.25     # 图关系强度
      + content×0.25      # 直接标记重叠
      + temporal×0.15     # 与查询的时间一致性
      + tag×0.10          # 标签匹配
      + importance×0.05   # 用户指定的优先级
      + confidence×0.05   # 记忆置信度
      + recency×0.10      # 新鲜度提升

# 结果：记忆按意义排序，而非单纯相似度

功能

核心记忆操作

• 存储 - 丰富的带元数据、重要性、时间戳和嵌入的记忆
• 召回 - 混合搜索（向量 + 关键词 + 标签 + 时间窗口）
• 更新 - 修改记忆，自动重新生成嵌入
• 删除 - 从图和向量存储中同时移除
• 关联 - 创建记忆之间的类型化关系
• 筛选 - 基于标签的查询，支持前缀或精确匹配

内存整合

AutoMem 使用受神经科学启发的整合周期——类似于人类睡眠——来保持记忆的相关性：

周期	频率	目的
衰减	每日	指数级相关性评分（年龄、访问次数、连接数、重要性）
创造	每周	类似 REM 的处理过程，发现不明显的联系
聚类	每月	将相似的记忆分组，并生成元模式
遗忘	已禁用	归档低相关性（<0.2），启用时则删除极旧的记忆（<0.05）

工作原理：

• 错误的记忆路径会自然消退（约 30–45 天无人访问）
• 重要且连接紧密的记忆会永久保留
• 记忆会在被删除前先归档（相关性介于 0.05–0.2 之间）
• 系统会学习对你而言什么才是重要的，而不是你明确标注的内容

背景智能

每条记忆都会在后台自动增强（不会阻塞你的 API 调用）：

增强管道（存储后立即运行）：

• 实体提取 - 识别人物、项目、工具、概念（spaCy NLP）
• 自动打标签 - 生成 entity:<type>:<slug> 格式，便于结构化查询
• 摘要 - 轻量级概要，方便快速浏览
• 时间关联 - 通过 PRECEDED_BY 关系连接到近期记忆
• 语义邻近 - 通过余弦相似度查找相似记忆（SIMILAR_TO）
• 模式检测 - 强化贯穿整个记忆图的新兴主题

整合引擎（按可配置的时间表运行）：

• 参见上方的【内存整合】部分

11 种可编写的关系类型

构建丰富的知识图谱：

类型	使用场景	示例
RELATES_TO	一般性连接	错误报告 → 相关问题
LEADS_TO	因果关系	问题 → 解决决
OCCURRED_BEFORE	时间顺序	计划 → 执行
PREFERS_OVER	用户偏好	PostgreSQL → MongoDB
EXEMPLIFIES	模式示例	代码审查 → 最佳实践
CONTRADICTS	冲突信息	旧方法 → 新方法
REINFORCES	支持性证据	决策 → 验证决
INVALIDATED_BY	过时信息	旧文档 → 当前文档
EVOLVED_INTO	知识演进	初步设计 → 最终设计
DERIVED_FROM	来源追踪	实现 → 规格
PART_OF	层次结构	功能 → 壮举

系统生成的关系类型：

• SIMILAR_TO - 由增强功能创建的语义邻近关系
• PRECEDED_BY - 由增强功能创建的时序链接
• DISCOVERED - 由整合创建的内部启发式边（kind=explains|shares_theme|parallel_context）

快速入门

选项 1：Railway（推荐）

在 60 秒内将 AutoMem 部署到 Railway：

这将自动部署 3 项服务：

• memory-service — 核心 AutoMem API
• falkordb — 具有持久化存储的图数据库
• mcp-sse-server — 用于 ChatGPT、Claude.ai、ElevenLabs 的 MCP 桥接器

👉 部署指南 提供详细的 Railway 设置说明

选项 2：Docker Compose（本地）

在本地运行所有内容：

# 克隆并启动服务
git clone https://github.com/verygoodplugins/automem.git
cd automem
make dev

# API：http://localhost:8001
# FalkorDB：localhost:6379
# Qdrant：localhost:6333

选项 3：开发模式

无需 Docker 即可运行 API：

python3 -m venv venv
source venv/bin/activate
pip install -r requirements-dev.txt
PORT=8001 python app.py

API 示例

存储记忆

curl -X POST http://localhost:8001/memory \
  -H "Authorization: Bearer YOUR_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "content": "为了 ACID 兼容性选择了 PostgreSQL 而不是 MongoDB",
    "type": "Decision",
    "confidence": 0.95,
    "tags": ["database", "architecture"],
    "importance": 0.9,
    "metadata": {
      "source": "architecture-meeting",
      "alternatives": ["MongoDB", "MySQL"],
      "deciding_factors": ["ACID", "team_expertise"]
    }
  }'

可用的记忆类型：Decision、Pattern、Preference、Style、Habit、Insight、Context（默认）

• 建议明确指定 type，当您知道分类时
• 省略 type，让增强功能根据内容自动分类

召回记忆

# 结合标签和时间的混合搜索
GET /recall?query=database&tags=decision&time_query=last%20month

# 带向量的语义搜索
GET /recall?embedding=0.12,0.56,...&limit=10

# 标签前缀匹配（查找 slack:U123:*, slack:channel-ops 等）
GET /recall?tags=slack&tag_match=prefix

# 带过滤的图扩展（减少相关记忆中的噪声）
GET /recall?query=auth%20architecture&expand_relations=true&expand_min_importance=0.5&expand_min_strength=0.3

# 多跳实体扩展（例如，“Sarah 的姐姐是做什么工作的？”）
GET /recall?query=What%20is%20Sarah%27s%20sister%27s%20job&expand_entities=true

创建关系

curl -X POST http://localhost:8001/associate \
  -H "Authorization: Bearer YOUR_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "memory1_id": "uuid-postgres-decision",
    "memory2_id": "uuid-mongodb-evaluation",
    "type": "PREFERS_OVER",
    "strength": 0.9
  }'

与 AI 平台结合使用

AutoMem 可通过以下方式与任何 AI 平台配合使用：

MCP（模型上下文协议）

本地 MCP 桥接器（Claude Desktop、Cursor、Claude Code）：

# 安装官方 MCP 桥接器
npm install -g @verygoodplugins/mcp-automem

# 为本地 AI 工具配置
npx @verygoodplugins/mcp-automem setup

远程 MCP（云 AI 平台）：

通过 HTTPS 将 AutoMem 连接到云 AI 平台。适用于：

• ChatGPT（需要开发者模式）
• Claude.ai 网页界面
• Claude 移动应用
• ElevenLabs Agents

请参阅 远程 MCP 文档 以获取设置说明。

👉 资源：

• NPM 桥接器（本地）：@verygoodplugins/mcp-automem
• 远程 MCP 设置：docs/MCP_SSE.md

直接 API

任何语言、任何框架：

import requests

response = requests.post(
    "https://your-automem.railway.app/memory",
    headers={"Authorization": f"Bearer {token}"},
    json={"content": "Memory content", "importance": 0.8}
)

与替代方案的比较

与传统 RAG 系统相比

传统 RAG 会检索相似的文档。而 AutoMem 则理解关系：

RAG：“这里有 5 份关于 PostgreSQL 的文档” AutoMem：“你选择 PostgreSQL 而不是 MongoDB，是因为你喜欢简单易用的技术。这种模式也影响了你对 Redis 和 RabbitMQ 的决策。”

• ✅ 类型化关系 - 不仅仅是“相似”，还有“导致”、“矛盾”、“源于”
• ✅ 时间感知 - 知道什么先于什么，什么被什么推翻，什么又随之出现
• ✅ 模式学习 - 发现你的偏好和决策风格
• ✅ 整合 - 记忆会根据使用情况加强或淡化——就像人类记忆一样

与向量数据库（Pinecone、Weaviate、Qdrant）相比

向量数据库匹配嵌入向量。而 AutoMem 构建的是知识图谱：

• ✅ 多跳推理 - 桥接发现可以跨对话线程连接记忆
• ✅ 11 种关系类型 - 结构化的语义，而非仅靠余弦相似度
• ✅ 背景智能 - 自动增强、模式检测、衰减周期
• ✅ 9 组件评分 - 结合语义、词汇、图、时间以及重要性信号

与自行构建相比

AutoMem 可为您节省数月的迭代时间：

• ✅ 基准验证 - 对 judge-off 和 judge-on 评估均采用透明的 LoCoMo 基准
• ✅ 研究验证 - 实现了 HippoRAG 2、A-MEM、MELODI、ReadAgent 的原则
• ✅ 生产就绪 - 身份验证、管理工具、健康监测、自动备份
• ✅ 实战检验 - 增强管道、整合引擎、重试逻辑、双层存储
• ✅ 开源 - MIT 许可证，可部署于任何地方，无供应商锁定

基准测试结果

LoCoMo 基准测试 (ACL 2024)

AutoMem 发布了使用 Voyage 4 嵌入的两个参考基线：

设置	范围	分数	备注
快速迭代	locomo-mini，不启用评委	89.27% (208/233)	仅包含类别 1–4；跳过了 71 道类别 5 的问题
完整基准测试	locom, 启用评委 (gpt-4o)	87.56% (1739/1986)	包括类别 5，得分为 95.74% (427/446)

在禁用评委的情况下，locomo-mini 的类别细分如下：

类别	AutoMem	备注
开放领域	96.49%	一般知识回忆
时间理解	92.06%	具有时序感知的查询
单跳回忆	79.07%	基本事实检索
多跳推理	46.15%	连接分散的记忆
复杂推理	N/A	在此设置中被跳过；请使用启用评委的运行

参考点：

系统	分数
已发表的 CORE 结果	88.24%
AutoMem locomo-mini 不启用评委	89.27%
AutoMem locom 启用评委	87.56%

方法论说明： 我们并不将其视为严格的排行榜声明。已发表的 CORE 数字是一个有用的参考点，但公开的 LoCoMo 设置并不完全可比，尤其是在处理类别 5 的方式上。AutoMem 在 locomo-mini 的类别 1–4 测试中高于该参考值，而在完整的启用评委测试中则低于该参考值。 历史说明： 此前版本报告的分数为 90.53%，但其中包含了两个评估错误：时间匹配比较了错误的文本（假阴性），而类别 5 则匹配空字符串（假阳性）。有关更正后的时间线，请参阅 benchmarks/EXPERIMENT_LOG.md。

运行基准测试：make bench-eval BENCH=locomo-mini CONFIG=baseline（快速）或 BENCH_JUDGE_MODEL=gpt-4o make bench-eval BENCH=locom CONFIG=baseline（完整版，包含类别 5）

生产特性

• ⚡ 100 毫秒以下的召回速度 - 即使拥有 10 万条以上的记忆
• 🔄 并发写入 - 后台增强不会阻塞 API
• 🛡️ 优雅降级 - 即使没有 Qdrant 也能正常工作（仅图模式）
• ♻️ 自动重试 - 失败的增强任务会排队等待重新处理
• 💚 健康监测 - /health 和 /enrichment/status 端点
• 💾 双重存储冗余 - 数据同时保存在 FalkorDB 和 Qdrant 中
• 📦 自动化备份 - 可选的灾难恢复备份服务

配置

必需

• AUTOMEM_API_TOKEN - 所有端点的身份验证（除 /health 外）
• FALKORDB_HOST / FALKORDB_PORT - 图数据库连接

可选

• QDRANT_URL / QDRANT_API_KEY - 启用语义搜索（设置指南）
• EMBEDDING_PROVIDER - 选择 voyage、openai、local、ollama 或 placeholder 后端
• VOYAGE_API_KEY / VOYAGE_MODEL - 使用 Voyage 嵌入（如果选择 voyage）
• OPENAI_API_KEY - 使用 OpenAI 嵌入（如果选择 openai）
• OPENAI_BASE_URL - OpenAI 兼容提供商的自定义端点（OpenRouter、LiteLLM、vLLM 等）
• OLLAMA_BASE_URL / OLLAMA_MODEL - 使用 Ollama 嵌入（如果选择 ollama）
• ADMIN_API_TOKEN - 用于 /admin/reembed 和增强控制
• 整合调优：CONSOLIDATION_*_INTERVAL_SECONDS
• 增强调优：ENRICHMENT_*（相似度阈值、重试限制等）

👉 完整配置指南

文档

• 📦 安装指南 - Railway、Docker、开发环境设置
• 🔍 Qdrant 设置指南 - 向量数据库的分步配置
• 🌉 远程 MCP - 将云端 AI 平台（ChatGPT、Claude.ai、ElevenLabs）连接到 AutoMem
• 💾 监控与备份 - 健康监测和自动化备份
• 🔧 API 参考 - 所有端点及示例
• 🧪 测试指南 - 单元测试、集成测试、线上服务器测试以及 LoCoMo 基准测试
• 📊 LoCoMo 基准测试 - 对 ACL 2024 长期记忆基准进行验证
• 🔄 迁移指南 - 从 MCP SQLite 迁移
• 🌐 automem.ai - 官方网站及指南

社区与支持

• 🌐 automem.ai - 官方网站
• 💬 Discord - 社区聊天室
• 🐦 X 社区 - 关注最新动态
• 📺 YouTube - 教程和演示
• 🐙 GitHub - 源代码
• 📦 NPM MCP 桥 - MCP 集成
• 🐛 问题 - 错误报告和功能请求

研究背景

AutoMem 的架构基于记忆系统和图论领域的同行评审研究：

HippoRAG 2（俄亥俄州立大学，2025 年 6 月）

发现：图-向量混合模型的联想记忆性能比纯向量 RAG 提升 7%，接近人类长期记忆的表现。

AutoMem 实现：双层 FalkorDB（图）+ Qdrant（向量）架构，配备 11 种类型的关联边。

A-MEM（2025 年 7 月）

发现：基于 Zettelkasten 原则的动态记忆组织能够催生新兴的知识结构。

AutoMem 实现：模式检测、聚类循环以及自动实体链接，从而从对话中构建知识图谱。

MELODI（DeepMind，2024 年）

发现：通过概要表示和选择性保留，实现 8 倍的内存压缩，且不损失质量。

AutoMem 实现：摘要生成、重要性评分以及整合周期，强化相关记忆并淡化噪声。

ReadAgent（DeepMind，2024 年）

发现：通过情景记忆和时间组织，可将上下文扩展 20 倍。

AutoMem 实现：时间关系类型（PRECEDED_BY、OCCURRED_BEFORE）以及时序感知评分，以保持对话流畅。

贡献

我们欢迎您的贡献！请按照以下步骤操作：

1. 分支仓库
2. 创建功能分支
3. 为您的更改添加测试
4. 提交拉取请求

有关运行测试套件的信息，请参阅 TESTING.md。

许可证

MIT - 因为 AI 内存应该是自由的。

---

开始使用

railway up

开源。经研究验证。生产就绪。

---

MIT 许可证。可在任何地方部署。无供应商锁定。

AutoMem 快速上手指南

AutoMem 是一个生产级的 AI 长期记忆系统，结合了图数据库（FalkorDB）和向量数据库（Qdrant），让 AI 助手能够像人类一样记忆、关联并随时间进化理解能力。

环境准备

在部署前，请确保满足以下系统要求：

• 操作系统: Linux / macOS / Windows (WSL2)
• 运行时: Docker & Docker Compose (推荐) 或 Python 3.10+
• 依赖服务:
  • FalkorDB: 用于存储记忆节点及关系图谱。
  • Qdrant: 用于语义相似度搜索（向量嵌入）。
• 网络: 需要能够访问 Hugging Face (下载模型) 或配置国内镜像源。

注意：本项目核心组件依赖 Docker 容器化部署以保证环境一致性。

安装步骤

AutoMem 提供了极简的一键部署方案。

方式一：使用 Railway 一键部署（推荐）

这是最快的方式，可在 60 秒内完成生产环境部署：

railway up

执行前请确保已安装 Railway CLI 并登录账号。

方式二：本地 Docker 部署

若需在本地开发或私有化部署，请克隆仓库并启动服务：

git clone https://github.com/automem/automem.git
cd automem

# 启动所有依赖服务（FalkorDB, Qdrant）及 AutoMem API
docker-compose up -d

配置独立图谱查看器（可选）

如果需要可视化记忆图谱，可部署独立的 automem-graph-viewer 服务，并在 AutoMem API 中设置以下环境变量：

ENABLE_GRAPH_VIEWER=true
GRAPH_VIEWER_URL=https://<your-viewer-domain>
VIEWER_ALLOWED_ORIGINS=https://<your-viewer-domain>

基本使用

部署完成后，AutoMem 提供 RESTful API 供 AI 客户端调用。以下是核心操作示例。

1. 存储记忆 (Store)

向系统存入一条带有元数据的记忆。系统会自动在后台进行实体提取、自动标签化和关系链接。

curl -X POST http://localhost:8000/memories \
  -H "Content-Type: application/json" \
  -d '{
    "content": "Chose PostgreSQL for reliability and operational simplicity",
    "metadata": {
      "source": "architecture_meeting",
      "importance": 0.9
    },
    "tags": ["decision", "database", "infrastructure"]
  }'

2. 回忆与检索 (Recall)

使用混合搜索（向量 + 关键词 + 图谱关系 + 时间信号）检索记忆。默认开启 expand_relations=true 以发现记忆间的“桥梁”连接。

curl -G "http://localhost:8000/recall" \
  --data-urlencode "query=Why did we choose our database?" \
  --data-urlencode "tags=decision" \
  --data-urlencode "time_query=last month" \
  --data-urlencode "expand_relations=true"

返回结果示例逻辑： 系统不仅会返回“选择 PostgreSQL"的记忆，还会通过图谱关联返回：

• 推理依据: "团队偏好成熟技术 (Boring Tech)"
• 关联决策: "之前评估过 MongoDB 但被否决"
• 时间上下文: 该决策发生在迁移计划之后

3. 建立关联 (Associate)

手动或自动创建记忆之间的类型化关系（如 PREFERS_OVER, DERIVED_FROM 等 11 种关系类型）。

curl -X POST http://localhost:8000/memories/<memory_id_1>/associate \
  -H "Content-Type: application/json" \
  -d '{
    "target_id": "<memory_id_2>",
    "relation_type": "DERIVED_FROM",
    "description": "This decision was derived from the boring technology principle"
  }'

4. 验证记忆进化

AutoMem 会在后台运行“巩固引擎”（Consolidation Engine）：

• 每日: 计算记忆衰减分数，无关内容自然淡化。
• 每周: 类似 REM 睡眠过程，发现非显而易见的连接。
• 每月: 聚类相似记忆，生成元模式。

无需额外操作，系统会自动优化记忆库的相关性。