MemOS
12,357
Stars
1,118
Forks
53
Watchers
164
Open Issues
Apache-2.0
许可证
TypeScript
语言
2025-07-06
创建时间
2026-11-11
最近更新
项目能做什么
面向 LLM 与 Agent 的自进化记忆系统,支持混合检索并可有效降低 Token 消耗。
来源:AI 基于仓库事实生成
· 内容以仓库实际 README 为准
使用说明 查看原始 README 原仓库文档
中文使用说明暂未生成。下面保留原仓库 README 摘录,命令与配置均以原文为准。
原始 README 摘录(英文原文,节选前 3000 字符)
<div align="center">
<h1 align="center">
<a href="https://memos.openmem.net/">
<img src="https://statics.memtensor.com.cn/logo/memos_color_m.png" alt="MemOS Logo" width="48"/>
</a>
MemOS 2.0 Stardust(星尘)
</h1>
<p align="center">
<a href="https://memos-docs.openmem.net/home/overview/"><img src="https://img.shields.io/badge/Docs-Get--Start-002FA7?labelColor=gray&style=for-the-badge&logo=googledocs&logoColor=white" alt="Docs"></a>
<a href="https://arxiv.org/abs/2507.03724"><img src="https://img.shields.io/badge/ArXiv-2507.03724-B31B1B?labelColor=gray&style=for-the-badge&logo=arxiv&logoColor=white" alt="ArXiv"></a>
<a href="https://x.com/MemOS_dev"><img src="https://img.shields.io/badge/Follow-MemOS-000000?labelColor=gray&style=for-the-badge&logo=x&logoColor=white" alt="X"></a>
<a href="https://discord.gg/Txbx3gebZR"><img src="https://img.shields.io/badge/dynamic/json?url=https%3A%2F%2Fdiscord.com%2Fapi%2Fv10%2Finvites%2FTxbx3gebZR%3Fwith_counts%3Dtrue&query=%24.approximate_presence_count&suffix=%20online&label=Discord&color=404EED&labelColor=gray&style=for-the-badge&logo=discord&logoColor=white" alt="Discord"></a>
<br>
<a href="https://github.com/IAAR-Shanghai/Awesome-AI-Memory"><img src="https://img.shields.io/badge/Resources-Awesome--AI--Memory-8A2BE2?labelColor=gray&style=for-the-badge&logo=awesomelists&logoColor=white" alt="Resources"></a>
</p>
<p align="center">
<strong>Give your Agent persistent memory and the ability to grow.</strong><br/>
</p>
<p align="center">
<a href="https://trendshift.io/repositories/18526?utm_source=repository-badge&utm_medium=badge&utm_campaign=badge-repository-18526" target="_blank" rel="noopener noreferrer"><img src="https://trendshift.io/api/badge/repositories/18526" alt="MemTensor%2FMemOS | Trendshift" width="250" height="55"/></a>
</p>
<p align="center">
<strong>English</strong> | <a href="README_ZH.md">中文</a>
</p>
</div>
<div align="center">
<img width="1660" alt="MemOS agent ecosystem: OpenClaw, Hermes, and DeepSeek Harness" src="./assets/readme/memos-agent-ecosystem.png" />
</div>
> [!TIP]
> **New: Connect MemOS to DeepSeek Harness (`dsh`)**
>
> Add automatic recall, background capture, hybrid retrieval, and a local Memory Viewer to DeepSeek Harness—powered by the same MemOS core used across agent ecosystems.
>
> **[Get started →](#memos-plugin)**
---
## 👾 MemOS: Memory Operating System for LLM & AI Agents
**MemOS** is a Memory Operating System for LLMs and AI agents that unifies **store / retrieve / manage** for long-term memory, enabling **context-aware and personalized** interactions with **KB**, **multi-modal**, **tool memory**, and **enterprise-grade** optimizations built in.
### Key Features
- **Unified Memory API**: A single API to add, retrieve, edit, and delete memory—structured as a graph, inspectable and editable by design, not a black-box embedding store.
- **Multi-Modal Memory**: Natively support
阅读完整原文
商业机会分析 AI 生成
托管版 Agent 记忆与技能云服务 (Hosted Memory Cloud)
| 产品构想 | 基于 MemOS 的 TypeScript 架构,提供开箱即用的多租户 Serverless 记忆 API 与标准 MCP (Model Context Protocol) 接入点,让开发者免去自建存储与检索管道的成本。 |
| 核心功能 | 云端持久化存储、开箱即用的 MCP 插件支持、混合检索端点、多会话记忆隔离面板。 |
| 目标用户 | 独立 Agent 开发者、中小团队及快速原型验证者。 |
| 难度/周期 | 中等 · 3-5 周 · 成本:< 1000 元/月(基础 Serverless 数据库与轻量 API 网关服务) |
| 收费模式 | Freemium 模式,按存储容量、检索请求次数及活跃 Agent 数量梯次订阅收费。 |
| 竞争风险 | 云厂商可能在其生态(如 Bedrock, OpenAI)内部直接提供原生记忆与上下文缓存特性,压缩第三方中间件空间。 |
| 依据 | 已验证事实 |
企业级 Token 降本与记忆缓存代理网关 (Memory & Cache Gateway)
| 产品构想 | 作为 LLM API 的反向代理网关部署,利用 MemOS 的混合检索与技能复用能力,自动对请求上下文进行剪枝、去重与精准记忆召回,主打确定的 ROI 降本。 |
| 核心功能 | LLM 请求透传代理、基于 35.24% Token 节省特性的上下文精简模块、DeepSeek/Claude/OpenAI 兼容协议、实时成本优化仪表盘与审计日志。 |
| 目标用户 | LLM API 月消耗较高的中大型企业、SaaS 公司、高频运行自主 Agent 的技术团队。 |
| 难度/周期 | 较高 · 2-3 个月 · 成本:3000-5000 元(测试高并发环境与压力测试节点开销) |
| 收费模式 | 企业私有部署授权费,或按照为客户节约的 Token 账单比例抽成(Gain-share 模式)。 |
| 竞争风险 | 企业对网络链路引入第三方代理的安全性与延迟要求极其苛刻;Token 压缩率因业务场景差异存在波动(尚需验证)。 |
| 依据 | 数据支持的判断 |
垂直领域跨任务 Agent 技能包与记忆模版市场 (Skill & Memory Hub)
| 产品构想 | 围绕 MemOS 的 cross-task skill reuse 特性,构建垂直行业(如代码审查、财税核对、法律检索)的预训练技能与冷启动记忆包分发平台。 |
| 核心功能 | 技能模版市场、一键导入/导出至 MemOS 运行时、记忆编辑与校验调试器、社区创作者分润机制。 |
| 目标用户 | 行业解决方案集成商、垂直 Agent 应用开发者。 |
| 难度/周期 | 较低 · 4-6 周 · 成本:< 500 元/月 |
| 收费模式 | 技能模版单次购买或包月订阅抽佣、高阶专业技能包买断制。 |
| 竞争风险 | 跨任务技能复用在实际复杂业务中的通用性和泛化能力存在技术天花板(推测)。 |
| 依据 | 尚需验证的假设 |
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心
竞品与相似项目 GitHub Search 真实检索
| 项目 | 中文简介 | Stars | 语言 |
|---|---|---|---|
| morluto/rea | 中文介绍暂未生成 Reverse engineer anything with agents, from app behavior dow |
449,368 | TypeScript |
| mattpocock/skills | 中文介绍暂未生成 Skills for Real Engineers. Straight from my .agents director |
320,655 | Shell |
| obra/superpowers | 中文介绍暂未生成 An agentic skills framework & software development methodolo |
315,595 | Shell |
| affaan-m/ECC | 中文介绍暂未生成 The agent harness performance optimization system. Skills, i |
300,656 | JavaScript |
| NousResearch/hermes-agent | 中文介绍暂未生成 The agent that grows with you |
262,374 | Python |
| anomalyco/opencode | 中文介绍暂未生成 The open source coding agent. |
225,858 | TypeScript |
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。
项目优势与风险
| 技术成熟度 | 创建于 2025-07-06,近 30 天仍在推送,发布过 62 个 Release |
| 社区活跃 | Star 12,357 / Fork 1,118 / Issue 164(数据支持,可自行核实) |
| 许可证 | Apache-2.0 |
| 主要风险 | 上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价 |
安装与使用
快速开始(以仓库 README 为准)
git clone https://github.com/MemTensor/MemOS.git cd MemOS docker compose up -d # 或参考 README 中的 docker run 命令
术语说明:Docker=应用容器(把程序和依赖打包运行);API Key=调用外部服务的密钥;Git Clone=把仓库代码下载到本地。常见错误:API Key 未配置 / 端口占用 / 数据库连接失败,多数项目在 README 的 Troubleshooting 章节有说明。