项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1621
使用教程
ℹ 本教程由 AI 依据该项目 README 整理,个别步骤可能需要按你的环境微调。
环境要求
- Python 环境(可执行 python3 与 pip,用于安装 requirements.txt 依赖)
- 有效的 OpenAI API Key(或兼容 OpenAI 的自定义 BASE_URL)
- 可选:NVIDIA GPU 与 nvidia-container-toolkit(README 的 Docker 示例使用 --gpus=all)
- 已安装 Docker(使用 Docker 方式部署时需要)
安装与启动步骤
-
1获取项目代码
克隆 GitHub 仓库到本地,之后所有安装与运行操作都在仓库目录内进行。
git clone https://github.com/BAI-LAB/MemoryOS.git -
2安装 MCP 依赖
进入 memoryos-mcp 子目录,按官方 requirements.txt 安装依赖,建议使用虚拟环境。
cd memoryos-mcp pip install -r requirements.txt -
3填写 MCP 配置
编辑 memoryos-mcp/config.json,填入 user_id、OpenAI API Key、BASE_URL、模型与存储路径。
-
4调用 Python API
按 PyPI 基本用法初始化 Memoryos,写入一条记忆再查询,记得把 API Key 换成自己的。
import os from memoryos import Memoryos USER_ID = "demo_user" ASSISTANT_ID = "demo_assistant" API_KEY = "sk-xxxxxxxx" BASE_URL = "" DATA_STORAGE_PATH = "./simple_demo_data" LLM_MODEL = "gpt-4o-mini" memo = Memoryos( user_id=USER_ID, openai_api_key=API_KEY, openai_base_url=BASE_URL, data_storage_path=DATA_STORAGE_PATH, llm_model=LLM_MODEL, assistant_id=ASSISTANT_ID, short_term_capacity=7, mid_term_heat_threshold=5, retrieval_queue_capacity=7, long_term_knowledge_capacity=100, embedding_model_name="BAAI/bge-m3" ) memo.add_memory( user_input="Hi! I'm Tom, I work as a data scientist in San Francisco.", agent_response="Hello Tom! Nice to meet you. Data science is such an exciting field. What kind of data do you work with?" ) response = memo.get_response(query="What do you remember about my job?") print(response) -
5启动 Playground
进入 memdemo 目录运行 app.py,打开界面后填写 User ID、API Key、Model 与 API Base URL。
cd MemoryOS/memoryos-playground/memdemo/ python3 app.py -
6Docker 方式运行
在含有 Dockerfile 的目录构建镜像并进入容器;没有 GPU 时去掉 --gpus=all 参数。
docker build -t memoryos . docker run -it --gpus=all memoryos /bin/bash
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
user_id | 是 | 标识记忆归属的用户,同一 user_id 共享记忆 | demo_user |
openai_api_key | 是 | 调用大模型与向量服务的密钥 | sk-xxxxxxxx |
openai_base_url | 否 | 自定义 OpenAI 兼容端点,留空用官方地址 | https://api.openai.com/v1 |
data_storage_path | 是 | 记忆数据的本地持久化目录 | ./memoryos_data |
llm_model | 是 | 用于生成回复的大语言模型名称 | gpt-4o-mini |
embedding_model_name | 否 | 向量模型,支持 Qwen3-Embedding-0.6B/bge-m3 等 | BAAI/bge-m3 |
如何确认成功
Python 示例会打印 “MemoryOS initialized successfully!” 并返回针对记忆查询的 Assistant 回复,即初始化与读写成功。
常见问题
Q:没有 OpenAI API Key 可以运行吗?
A:可以把 openai_base_url 指向兼容 OpenAI 协议的自建或第三方端点,但 openai_api_key 仍需填写该服务认可的密钥。
Q:记忆数据保存在哪里?
A:由 data_storage_path 指定;MCP 模式默认 ./memoryos_data,Playground 的记忆默认存放在 memdemo/data 目录下。
Q:可以用哪些向量模型?
A:README 明确支持 Qwen/Qwen3-Embedding-0.6B、BAAI/bge-m3 和 all-MiniLM-L6-v2,通过 embedding_model_name 指定。
Q:Docker 方式必须有 GPU 吗?
A:README 示例带了 --gpus=all,属于硬件加速选项;若机器没有 GPU 或未装容器工具包,可去掉该参数再运行。
注意事项
- README 中 PyPI 的 “Installation” 小节没有给出具体安装命令,安装方式请以官方文档 https://bai-lab.github.io/MemoryOS/docs 为准。
- 仓库还提供 memoryos-chromadb 目录,可进入后执行 pip install -r requirements.txt 安装对应依赖。
- 运行 Python 示例或 Playground 前,务必把示例中的 YOUR_OPENAI_API_KEY / sk-xxxxxxxx 替换为真实密钥,避免泄露到公开仓库。
- Docker 构建前请确认当前目录存在 Dockerfile。
核心亮点
- 提出记忆操作系统概念,分层管理短期/长期/语义记忆,架构清晰
- EMNLP 2025 Oral 背书,学术严谨性高,算法有理论支撑
- 提供统一 API,与 LangChain 等框架集成简单,上手成本低
不足之处
- 项目较新,生态和文档仍在完善中,生产级案例较少
- 记忆存储后端依赖外部数据库,未内置分布式方案,扩展性待验证
适用场景
- 构建长期陪伴型聊天机器人,记住用户偏好和对话历史
- 开发个性化推荐助手,基于用户历史行为动态调整策略
- 研究 AI 记忆机制,作为实验基座进行算法对比
替代项目
MemGPT、LangMem、Zep
同类项目推荐
omem
开源
给 AI 装上永久记忆,跨会话跨智能体共享不忘事
Shared Memory That Never Forgets — persistent memory for AI agents with Space-based···
Ori-Mnemos
开源
让AI记住一切,本地优先的持久记忆框架
Local-first persistent agentic memory powered by Recursive Memory Harness (RMH). Ope···
garden-skills
开源
把 AI 能力变成即插即用的技能包,快速搭建应用
ConardLi's open-source Skills collection, featuring web design, knowledge retrieval,···
GAAI-framework
开源
给AI编码工具装上交付系统,自动跑完需求到验收
Turns AI coding tools into reliable software delivery systems. Drop a .gaai/ folder ···
Awsome_AI_Agents
开源
15+实战项目,从零上手AI智能体开发
This is end to end course on AI Agents and Agentic AI with 15+ AI Agent Projects wit···
openclaw-superpowers
开源
给 OpenClaw 装上 44 个即插即用技能,让智能体自学新招
44 plug-and-play skills for OpenClaw — self-modifying AI agent with cron scheduling···
claude-code-blueprint
开源
让 Claude Code 项目从混乱到有序,渐进式落地最佳实践
A battle-tested, framework-agnostic reference architecture for Claude Code. Beginner···
rome
开源
让智能体递归调用自己,任务越跑越强
A compounding agent OS for recursive agents. Also an open source alternative to Grok···
octomind
开源
即插即用的 Rust AI 智能体,快速部署到任何领域
Open-source AI coding agent and agent runtime: one binary, any model, MCP-native. Ru···
