tools-only memU
面向 AI 智能体的全天候主动记忆系统
English | 中文 | 日本語 | 한국어 | Español | Français
memU 是一个专为 24/7 主动智能体打造的记忆框架。 它专为长时间运行设计，能够大幅降低保持智能体始终在线的 LLM token 成本，使持续运行、不断进化的智能体在生产系统中变得切实可行。 memU 持续捕获并理解用户意图。即使没有明确指令，智能体也能判断你即将要做什么并主动执行。
🤖 OpenClaw (Moltbot, Clawdbot) Alternative
- Download-and-use and simple to get started.
- Builds long-term memory to understand user intent and act proactively.
- Cuts LLM token cost with smaller context.
Try now: memU bot
⭐️ 给项目点个星
✨ 核心能力
| 能力 | 描述 |
|---|---|
| 🤖 24/7 主动智能体 | 始终在线的记忆智能体，在后台持续工作——永不休眠，永不遗忘 |
| 🎯 用户意图捕获 | 自动理解并记住用户在各个会话中的目标、偏好和上下文 |
| 💰 成本高效 | 通过缓存洞察和避免冗余 LLM 调用来降低长期运行的 token 成本 |
🔄 主动记忆工作原理
cd examples/proactive
python proactive.py
Proactive Memory Lifecycle
┌──────────────────────────────────────────────────────────────────────────────────────────────────┐
│ USER QUERY │
└──────────────────────────────────────────────────────────────────────────────────────────────────┘
│ │
▼ ▼
┌────────────────────────────────────────┐ ┌────────────────────────────────────────────────┐
│ 🤖 MAIN AGENT │ │ 🧠 MEMU BOT │
│ │ │ │
│ Handle user queries & execute tasks │ ◄───► │ Monitor, memorize & proactive intelligence │
├────────────────────────────────────────┤ ├────────────────────────────────────────────────┤
│ │ │ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 1. RECEIVE USER INPUT │ │ │ │ 1. MONITOR INPUT/OUTPUT │ │
│ │ Parse query, understand │ │ ───► │ │ Observe agent interactions │ │
│ │ context and intent │ │ │ │ Track conversation flow │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 2. PLAN & EXECUTE │ │ │ │ 2. MEMORIZE & EXTRACT │ │
│ │ Break down tasks │ │ ◄─── │ │ Store insights, facts, preferences │ │
│ │ Call tools, retrieve data │ │ inject │ │ Extract skills & knowledge │ │
│ │ Generate responses │ │ memory │ │ Update user profile │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 3. RESPOND TO USER │ │ │ │ 3. PREDICT USER INTENT │ │
│ │ Deliver answer/result │ │ ───► │ │ Anticipate next steps │ │
│ │ Continue conversation │ │ │ │ Identify upcoming needs │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 4. LOOP │ │ │ │ 4. RUN PROACTIVE TASKS │ │
│ │ Wait for next user input │ │ ◄─── │ │ Pre-fetch relevant context │ │
│ │ or proactive suggestions │ │ suggest│ │ Prepare recommendations │ │
│ └──────────────────────────────────┘ │ │ │ Update todolist autonomously │ │
│ │ │ └──────────────────────────────────────────┘ │
└────────────────────────────────────────┘ └────────────────────────────────────────────────┘
│ │
└───────────────────────────┬───────────────────────────────┘
▼
┌──────────────────────────────┐
│ CONTINUOUS SYNC LOOP │
│ Agent ◄──► MemU Bot ◄──► DB │
└──────────────────────────────┘
🎯 主动应用场景
1. 信息推荐
智能体监控用户兴趣，主动呈现相关内容
# 用户一直在研究 AI 话题
MemU 追踪：阅读历史、收藏文章、搜索查询
# 当新内容到达时：
智能体："我发现了 3 篇关于 RAG 优化的新论文，与你最近关于检索系统的
研究方向一致。其中一位作者（陈博士）你之前引用过，昨天发表了新作。"
# 主动行为：
- 从浏览模式学习话题偏好
- 追踪作者/来源可信度偏好
- 基于参与历史过滤噪音
- 选择最佳时机进行推荐
2. 邮件管理
智能体学习沟通模式，处理日常通信
# MemU 随时间观察邮件模式：
- 常见场景的回复模板
- 优先联系人和紧急关键词
- 日程偏好和可用时间
- 写作风格和语气变化
# 主动邮件助理：
智能体："你有 12 封新邮件。我已为 3 个常规请求起草了回复，
并标记了来自优先联系人的 2 个紧急事项。
需要我根据约翰提到的冲突重新安排明天的会议吗？"
# 自主执行：
✓ 起草上下文感知的回复
✓ 分类并排序收件箱
✓ 检测日程冲突
✓ 总结长对话线程的关键决策
3. 交易与财务监控
智能体追踪市场情况和用户投资行为
# MemU 学习交易偏好：
- 从历史决策中了解风险承受能力
- 偏好的行业和资产类别
- 对市场事件的响应模式
- 投资组合再平衡触发条件
# 主动提醒：
智能体："NVDA 盘后下跌 5%。根据你的历史行为，
你通常在科技股跌幅超过 3% 时买入。
你当前的配置允许增加 $2,000 的敞口，
同时保持你 70/30 的股债目标。"
# 持续监控：
- 追踪与用户定义阈值相关的价格警报
- 关联新闻事件与投资组合影响
- 从已执行与忽略的建议中学习
- 预判税损收割机会
...
🗂️ 分层记忆架构
MemU 的三层系统同时支持响应式查询和主动上下文加载：
| 层级 | 响应式使用 | 主动使用 |
|---|---|---|
| 资源层 | 直接访问原始数据 | 后台监控新模式 |
| 条目层 | 针对性事实检索 | 从进行中的交互实时提取 |
| 类别层 | 摘要级概览 | 自动上下文组装以进行预测 |
主动优势：
- 自动分类：新记忆自组织到主题中
- 模式检测：系统识别重复出现的主题
- 上下文预测：预测接下来需要什么信息
🚀 快速开始
选项 1：云版本
立即体验主动记忆：
👉 memu.so - 提供 7×24 持续学习的托管服务
如需具有自定义主动工作流的企业部署，请联系 info@nevamind.ai
云 API (v3)
| 基础 URL | https://api.memu.so |
|---|---|
| 认证 | Authorization: Bearer YOUR_API_KEY |
| 方法 | 端点 | 描述 |
|---|---|---|
POST |
/api/v3/memory/memorize |
注册持续学习任务 |
GET |
/api/v3/memory/memorize/status/{task_id} |
检查实时处理状态 |
POST |
/api/v3/memory/categories |
列出自动生成的类别 |
POST |
/api/v3/memory/retrieve |
查询记忆（支持主动上下文加载） |
选项 2：自托管
安装
pip install -e .
基础示例
要求：Python 3.13+ 和 OpenAI API 密钥
测试持续学习（内存模式）：
export OPENAI_API_KEY=your_api_key
cd tests
python test_inmemory.py
测试持久化存储（PostgreSQL）：
# 启动带 pgvector 的 PostgreSQL
docker run -d \
--name memu-postgres \
-e POSTGRES_USER=postgres \
-e POSTGRES_PASSWORD=postgres \
-e POSTGRES_DB=memu \
-p 5432:5432 \
pgvector/pgvector:pg16
# 运行持续学习测试
export OPENAI_API_KEY=your_api_key
cd tests
python test_postgres.py
两个示例都演示了主动记忆工作流：
- 持续摄入：顺序处理多个文件
- 自动提取：即时创建记忆
- 主动检索：上下文感知的记忆呈现
查看 tests/test_inmemory.py 和 tests/test_postgres.py 了解实现细节。
自定义 LLM 和嵌入提供者
MemU 支持 OpenAI 以外的自定义 LLM 和嵌入提供者。通过 llm_profiles 配置：
from memu import MemUService
service = MemUService(
llm_profiles={
# LLM 操作的默认配置
"default": {
"base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"api_key": "your_api_key",
"chat_model": "qwen3-max",
"client_backend": "sdk" # "sdk" 或 "http"
},
# 嵌入的单独配置
"embedding": {
"base_url": "https://api.voyageai.com/v1",
"api_key": "your_voyage_api_key",
"embed_model": "voyage-3.5-lite"
}
},
# ... 其他配置
)
OpenRouter 集成
MemU 支持 OpenRouter 作为模型提供者，让您通过单个 API 访问多个 LLM 提供者。
配置
from memu import MemoryService
service = MemoryService(
llm_profiles={
"default": {
"provider": "openrouter",
"client_backend": "httpx",
"base_url": "https://openrouter.ai",
"api_key": "your_openrouter_api_key",
"chat_model": "anthropic/claude-3.5-sonnet", # 任何 OpenRouter 模型
"embed_model": "openai/text-embedding-3-small", # 嵌入模型
},
},
database_config={
"metadata_store": {"provider": "inmemory"},
},
)
环境变量
| 变量 | 描述 |
|---|---|
OPENROUTER_API_KEY |
您的 OpenRouter API 密钥，来自 openrouter.ai/keys |
支持的功能
| 功能 | 状态 | 备注 |
|---|---|---|
| 聊天补全 | 支持 | 适用于任何 OpenRouter 聊天模型 |
| 嵌入 | 支持 | 通过 OpenRouter 使用 OpenAI 嵌入模型 |
| 视觉 | 支持 | 使用支持视觉的模型（如 openai/gpt-4o） |
运行 OpenRouter 测试
export OPENROUTER_API_KEY=your_api_key
# 完整工作流测试（记忆 + 检索）
python tests/test_openrouter.py
# 嵌入专项测试
python tests/test_openrouter_embedding.py
# 视觉专项测试
python tests/test_openrouter_vision.py
查看 examples/example_4_openrouter_memory.py 获取完整示例。
📖 核心 API
memorize() - 持续学习管道
实时处理输入并立即更新记忆：
result = await service.memorize(
resource_url="path/to/file.json", # 文件路径或 URL
modality="conversation", # conversation | document | image | video | audio
user={"user_id": "123"} # 可选：限定到特定用户
)
# 立即返回提取的记忆:
{
"resource": {...}, # 存储的资源元数据
"items": [...], # 提取的记忆条目（即时可用）
"categories": [...] # 自动更新的类别结构
}
主动功能：
- 零延迟处理——记忆即时可用
- 无需手动标记的自动分类
- 与现有记忆交叉引用以检测模式
retrieve() - 双模式智能
MemU 同时支持主动上下文加载和响应式查询：
基于 RAG 的检索 (method="rag")
使用嵌入的快速主动上下文组装：
- ✅ 即时上下文：亚秒级记忆呈现
- ✅ 后台监控：可持续运行而无 LLM 成本
- ✅ 相似度评分：自动识别最相关的记忆
基于 LLM 的检索 (method="llm")
针对复杂上下文的深度预期性推理：
- ✅ 意图预测：LLM 在用户询问之前推断需求
- ✅ 查询演化：随着上下文发展自动优化搜索
- ✅ 提前终止：收集到足够上下文时停止
对比
| 方面 | RAG（快速上下文） | LLM（深度推理） |
|---|---|---|
| 速度 | ⚡ 毫秒级 | 🐢 秒级 |
| 成本 | 💰 仅嵌入 | 💰💰 LLM 推理 |
| 主动使用 | 持续监控 | 触发式上下文加载 |
| 最适合 | 实时建议 | 复杂预测 |
使用
# 带上下文历史的主动检索
result = await service.retrieve(
queries=[
{"role": "user", "content": {"text": "他们的偏好是什么？"}},
{"role": "user", "content": {"text": "告诉我工作习惯"}}
],
where={"user_id": "123"}, # 可选：范围过滤
method="rag" # 或 "llm" 用于更深入的推理
)
# 返回上下文感知的结果:
{
"categories": [...], # 相关主题领域（自动优先排序）
"items": [...], # 具体记忆事实
"resources": [...], # 原始来源以供追溯
"next_step_query": "..." # 预测的后续上下文
}
主动过滤：使用 where 限定持续监控范围：
where={"user_id": "123"}- 用户特定上下文where={"agent_id__in": ["1", "2"]}- 多智能体协调- 省略
where以获取全局上下文感知
📚 完整 API 文档，请参阅 SERVICE_API.md - 包含主动工作流模式、管道配置和实时更新处理。
💡 主动场景
示例 1：始终学习的助手
无需显式记忆命令，从每次交互中持续学习：
export OPENAI_API_KEY=your_api_key
python examples/example_1_conversation_memory.py
主动行为：
- 从随意提及中自动提取偏好
- 从交互模式构建关系模型
- 在未来对话中呈现相关上下文
- 根据学习的偏好调整沟通风格
最适合： 个人 AI 助手、记住用户的客户支持、社交聊天机器人
示例 2：自我改进的智能体
从执行日志中学习并主动建议优化：
export OPENAI_API_KEY=your_api_key
python examples/example_2_skill_extraction.py
主动行为：
- 持续监控智能体操作和结果
- 识别成功和失败中的模式
- 从经验中自动生成技能指南
- 主动为类似的未来任务建议策略
最适合： DevOps 自动化、智能体自我改进、知识捕获
示例 3：多模态上下文构建器
将不同输入类型的记忆统一为全面的上下文：
export OPENAI_API_KEY=your_api_key
python examples/example_3_multimodal_memory.py
主动行为：
- 自动交叉引用文本、图像和文档
- 跨模态构建统一理解
- 讨论相关话题时呈现视觉上下文
- 通过组合多个来源预测信息需求
最适合： 文档系统、学习平台、研究助手
📊 性能表现
MemU 在 Locomo 基准测试中，在所有推理任务上实现了 92.09% 的平均准确率，展示了可靠的主动记忆操作。
查看详细实验数据：memU-experiment
🧩 生态系统
| 仓库 | 描述 | 主动功能 |
|---|---|---|
| memU | 核心主动记忆引擎 | 7×24 学习管道、自动分类 |
| memU-server | 带持续同步的后端 | 实时记忆更新、webhook 触发 |
| memU-ui | 可视化记忆仪表板 | 实时记忆演化监控 |
快速链接：
- 🚀 试用 MemU 云服务
- 📚 API 文档
- 💬 Discord 社区
🤝 合作伙伴
🤝 如何贡献
我们欢迎社区的各种贡献！无论是修复错误、添加功能还是改进文档，您的帮助都将受到赞赏。
开始贡献
要开始为 MemU 做贡献，您需要设置开发环境：
先决条件
- Python 3.13+
- uv（Python 包管理器）
- Git
设置开发环境
# 1. Fork 并克隆仓库
git clone https://github.com/YOUR_USERNAME/memU.git
cd memU
# 2. 安装开发依赖
make install
make install 命令将：
- 使用
uv创建虚拟环境 - 安装所有项目依赖
- 设置代码质量检查的 pre-commit hooks
运行质量检查
在提交贡献之前，请确保您的代码通过所有质量检查：
make check
make check 命令运行：
- 锁文件验证：确保
pyproject.toml一致性 - Pre-commit hooks：使用 Ruff 检查代码，使用 Black 格式化
- 类型检查：运行
mypy进行静态类型分析 - 依赖分析：使用
deptry查找过时的依赖项
贡献指南
有关详细的贡献指南、代码标准和开发实践，请参阅 CONTRIBUTING.md。
快速提示：
- 为每个功能或错误修复创建新分支
- 编写清晰的提交信息
- 为新功能添加测试
- 根据需要更新文档
- 推送前运行
make check
📄 许可证
🌍 社区
- GitHub Issues：报告错误和请求功能
- Discord：加入社区
- X (Twitter)：关注 @memU_ai
- 联系方式：info@nevamind.ai
⭐ 在 GitHub 上给我们点星，获取新版本通知！