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 2026-10-08 · 当前星标 ★ 3508
使用教程
环境要求
- 已安装 Docker 与 Docker Compose(用于启动后端与 Dashboard)
- Python 环境与 pip(用于安装 mirix-client 客户端)
- 一个可用的 LLM 服务 API Key(README 示例使用 Google AI 的 gemini-2.0-flash)
- 可访问外网以拉取镜像和安装 PyPI 包
安装与启动步骤
-
1启动后端与面板
在项目根目录执行该命令,会自动拉取最新镜像并后台启动后端服务与 Dashboard。
docker compose up -d --pull always -
2确认服务地址
启动后 Dashboard 在 http://localhost:5173,后端 API 在 http://localhost:8531,浏览器打开确认。
-
3创建并设置密钥
在 Dashboard 中创建 API key,然后将其设置为环境变量 MIRIX_API_KEY。
export MIRIX_API_KEY=your-api-key -
4安装客户端
使用 pip 安装官方 Python 客户端 mirix-client,供后续脚本调用后端。
pip install mirix-client -
5初始化客户端
在脚本中填入 api_key 与 base_url,并通过 initialize_meta_agent 配置 LLM、embedding 和各记忆智能体。
from mirix import MirixClient client = MirixClient( api_key="your-api-key", base_url="http://localhost:8531", ) client.initialize_meta_agent( config={ "llm_config": { "model": "gemini-2.0-flash", "model_endpoint_type": "google_ai", "api_key": "your-api-key-here", "model_endpoint": "https://generativelanguage.googleapis.com", "context_window": 1_000_000, }, "embedding_config": { "embedding_model": "text-embedding-004", "embedding_endpoint_type": "google_ai", "api_key": "your-api-key-here", "embedding_endpoint": "https://generativelanguage.googleapis.com", "embedding_dim": 768, }, "meta_agent_config": { "agents": [ { "core_memory_agent": { "blocks": [ {"label": "human", "value": ""}, {"label": "persona", "value": "I am a helpful assistant."}, ] } }, "resource_memory_agent", "semantic_memory_agent" -
6写入一条记忆
调用 add 方法把对话消息写入指定用户与会话,验证记忆系统可以正常接收数据。
client.add( user_id="demo-user", messages=[ {"role": "user", "content": [{"type": "text", "text": "The moon now has a president."}]}, {"role": "assistant", "content": [{"type": "text", "text": "Noted."}]}, ], session_id="sess-demo-001", )
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
MIRIX_API_KEY | 是 | 在 Dashboard 创建的 API key,供客户端与后端认证 | your-api-key |
api_key | 是 | MirixClient 初始化时使用的客户端密钥 | your-api-key |
base_url | 是 | 客户端访问的后端 API 地址,默认本地 8531 端口 | http://localhost:8531 |
llm_config.api_key | 是 | 对话模型服务的 API Key,示例为 Google AI | your-api-key-here |
llm_config.model | 是 | 指定用于推理的语言模型名称 | gemini-2.0-flash |
embedding_config.embedding_model | 是 | 用于生成向量嵌入的模型名称 | text-embedding-004 |
如何确认成功
浏览器打开 http://localhost:5173 能看到 Dashboard,且 http://localhost:8531 后端 API 可访问,即表示后端与面板启动成功。
常见问题
Q:Dashboard 和后端 API 分别是什么地址?
A:README 中给出 Dashboard 为 http://localhost:5173,API 为 http://localhost:8531,启动 Docker 后直接在浏览器访问即可。
Q:客户端怎么安装?
A:执行 pip install mirix-client,该包来自 PyPI 官方页面 https://pypi.org/project/mirix-client/。
Q:MIRIX_API_KEY 从哪里来?
A:先在 Dashboard(http://localhost:5173)中创建 API key,再把它设置为环境变量 MIRIX_API_KEY。
Q:示例里用的什么模型?
A:README 示例中 LLM 使用 gemini-2.0-flash,embedding 使用 text-embedding-004,端点类型均为 google_ai,上下文窗口 1,000,000,嵌入维度 768。
注意事项
- 长时记忆数据默认存储在本地,遵循隐私优先设计,可自行控制隐私设置。
- 示例代码中的 your-api-key 与 your-api-key-here 必须替换成真实密钥后才能运行。
- 需要先完成 Docker 启动并创建 API key,再执行客户端初始化脚本。
- 更多用法见官方文档 https://docs.mirix.io 与官网 https://mirix.io。
核心亮点
- 把屏幕视觉流持续转成结构化记忆,而非一次性截图,能支撑跨时间的回溯问答
- 多智能体架构分工明确,采集、理解、记忆、检索可分别替换或扩展,便于二次开发
- 围绕个人数字体验做长期记忆,定位清晰,与通用聊天助手形成差异化
不足之处
- 持续采集屏幕数据涉及隐私与安全,项目本身未突出完整的本地加密或权限隔离方案
- 作为成长中项目,长期记忆的准确率与大规模使用下的性能表现仍待更多验证
适用场景
- 开发者回溯自己一天中在多个窗口间切换的工作轨迹
- 研究者整理长时间阅读与浏览形成的个人知识脉络
- 个人用户用自然语言查找之前屏幕上出现过的信息或内容
替代项目
mem0、Letta、screenpipe
上一篇:autocontext
下一篇:trajectory
同类项目推荐
Director
开源
用智能体编排视频生成与编辑,自动化视频工作流
AI video agents framework for next-gen video interactions and workflows.
Abu-Cowork
开源
本地优先的 AI 智能体,多模型驱动,技能自进化,隐私安全。
Open-source AI office assistant for your desktop: describe the result or file you wa···
frontman
开源
让 AI 智能体直接住进你的浏览器和前端框架,实时辅助编码。
The AI agent that lives in your framework/browser
awesome-agent-skills
开源
上千个现成技能,让Claude Code等AI工具秒变全能
A curated collection of 1000+ agent skills from official dev teams and the community···
LLM-MM-Agent
开源
给一道建模题,智能体自动出模型、写代码、算结果
[NeurIPS2025] MM-Agent: LLM as Agents for Real-world Mathematical Modeling Problem
ai--manus
开源
让大模型在沙箱里动手干活,而不只是聊天
AI Manus is a general-purpose AI Agent system that supports running various tools an···
botonomous
开源
用 PHP 快速搭建能自主决策的 Slack 机器人
A PHP Framework For Creating Autonomous Slack Bots
agent-vision-toolkit
开源
给纯文本模型装眼睛,粘贴图片就能看懂界面和截图
为纯文本模型"看图“设计更好的视觉工具箱和技能,支持多图理解,图片问答,前端UI还原、G···
hermes-agency-orchestrator
开源
看懂 Claude Code 多智能体编排,省钱又高效
Claude Code Agent Workflows Guide 2026: Skills vs Teams vs Cost Analysis
