阿超 > memU

memU

2026-02-01

ai

时间是由分秒积成的，善于利用零星时间的人，才会做出更好的成绩来。——华罗庚

memU：为 24/7 主动型 AI 助手打造的“持续记忆

很多人给自己的 AI 助手灌了大量上下文，然而一旦“长时间在线、反复交互”，成本就被长上下文吞噬。memU 的目标很明确：给那些 24/7 Always-On 的主动型代理（如 openclaw/moltbot/clawdbot 生态）提供一套“会自己学习、会自己推断、会自己准备上下文”的记忆框架，用更小的上下文、更低的 token 成本，让“长期在线且不断进化”的代理成为现实。

  • 仓库：NevaMind-AI/memU
  • 官网与服务：memu.pro · 快速体验 memu.so · memU bot: memu.bot
  • 许可证：Apache 2.0
  • Python 3.13+ · 生态：memU-server、memU-ui 等
  • 一句话：24/7 Always-On Proactive Memory for AI Agents

它解决什么问题

memU 是为“主动型”代理做的记忆系统：

  • 持续捕获与理解用户意图（没有明确指令也能预判你要做什么）
  • 大幅降低常在线的 LLM token 成本（缓存洞见，避免重复推理）
  • 在后台持续工作，构建长期记忆，帮助代理“主动”行动

官方定位里明确提到：与 OpenClaw（Moltbot/Clawdbot）的使用方式相辅相成，也提供“下载即用”的 memU bot 变体。

三层记忆架构：Resource / Item / Category

memU 的层次结构既支持“响应式查询”，也支持“主动上下文加载”。

  • Resource：原始数据的入口
  • Item：从交互中抽取出的事实、偏好、技能
  • Category：主题化的总结与归纳

主动性带来的好处：

  • 自动分类与主题聚合
  • 识别重复模式与主题
  • 预测“下一步需要什么上下文”

这能让代理在你还没开��之前，就把“最近相关的上下文”准备好。

工作机制：Proactive Memory Lifecycle

框架引导一个“代理 ↔ memU bot ↔ 数据库”的持续同步回路：

  • 代理处理用户请求、执行任务
  • memU bot 监测输入/输出，抽取与更新记忆
  • 记忆结构不断演化，并向代理“注入”或“建议”上下文
  • 循环同步，使主动的上下文准备成为常态

快速体验：

1
2
cd examples/proactive
python proactive.py

场景示例：它如何“主动”

  • 信息推荐
    从浏览历史、收藏、搜索里学习你的主题偏好与可信来源，在适当时机推荐相关论文/资讯，并根据你的参与度过滤噪音。

  • 邮件管理
    学习你的回复模板、优先联系人、紧急关键词、调度偏好与语气风格；主动草拟常规回复、标记优先级、检测日程冲突、总结长线程要点。

  • 交易与金融监控
    从历史决策学习风险偏好、行业与品类偏好、市场事件的响应模式；在阈值触发时主动提醒与你的资产配置相匹配的操作建议。

这些场景的共同点是：memU 从连续交互里“主动学习”，并在“恰当时机”把上下文推送给代理，让代理像“懂你的助理”一样先一步处理。

快速开始：云端与自托管

  • 云端（Cloud Version）：直接用托管服务，7×24 连续学习
    Base URL https://api.memu.so（API v3），支持连续学习任务、状态查询、自动分类、检索。
    完整 API 文档：memu.pro/docs#cloud-version

  • 自托管（Self-Hosted）：

安装：

1
pip install -e .

快速测试（内存态）：

1
2
3
export OPENAI_API_KEY=your_api_key
cd tests
python test_inmemory.py

持久化存储（PostgreSQL + pgvector）：

1
2
3
4
5
6
7
8
9
10
11
12
13
# 启动 Postgres + pgvector
docker run -d \
  --name memu-postgres \
  -e POSTGRES_USER=postgres \
  -e POSTGRES_PASSWORD=postgres \
  -e POSTGRES_DB=memu \
  -p 5432:5432 \
  pgvector/pgvector:pg16

# 运行连续学习测试
export OPENAI_API_KEY=your_api_key
cd tests
python test_postgres.py

二者都演示了“连续摄取 → 自动抽取 → 主动检索”的完整工作流。

LLM 与向量：自定义配置与多供应商支持

memU 支持自定义 LLM 与嵌入模型，甚至能通过 OpenRouter 聚合多个供应商：

示例：自定义供应商（Qwen + VoyageAI）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
from memu import MemUService

service = MemUService(
    llm_profiles={
        "default": {
            "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "api_key": "your_api_key",
            "chat_model": "qwen3-max",
            "client_backend": "sdk"
        },
        "embedding": {
            "base_url": "https://api.voyageai.com/v1",
            "api_key": "your_voyage_api_key",
            "embed_model": "voyage-3.5-lite"
        }
    },
    # ... other configuration
)

示例：OpenRouter（多模型聚合）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
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",
            "embed_model": "openai/text-embedding-3-small",
        },
    },
    database_config={
        "metadata_store": {"provider": "inmemory"},
    },
)

两个核心 API：memorize 与 retrieve

memorize：连续学习流水线

实时处理输入并立刻更新记忆，零延迟获取抽取结果与分类结构：

1
2
3
4
5
6
7
8
9
10
11
12
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：按用户维度分隔
)

# 返回：
{
    "resource": {...},      # 资源元数据
    "items": [...],         # 抽取出的记忆项（立即可用）
    "categories": [...]     # 自动更新的分类结构
}

retrieve：双模式检索

  • RAG 快速上下文（method=“rag”）：毫秒级；适合持续监控与轻量提示
  • LLM 深度推理（method=“llm”）：秒级；适合复杂预判与意图演进
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
result = await service.retrieve(
    queries=[
        {"role": "user", "content": {"text": "What are their preferences?"}},
        {"role": "user", "content": {"text": "Tell me about work habits"}}
    ],
    where={"user_id": "123"},  # 可选：按用户或 agent 过滤
    method="rag"               # 或 "llm" 做更深推理
)

# 返回结构
{
    "categories": [...],
    "items": [...],
    "resources": [...],
    "next_step_query": "..."   # 预测下一步上下文查询
}

依赖场景不同选不同模式，成本与速度也能精细控制。

实战例子：一键跑起来

  • Always-Learning Assistant（持续学习会话）：
1
2
export OPENAI_API_KEY=your_api_key
python examples/example_1_conversation_memory.py
  • Self-Improving Agent（技能抽取与自我优化）：
1
2
export OPENAI_API_KEY=your_api_key
python examples/example_2_skill_extraction.py
  • Multimodal Context Builder（多模态记忆融合）：
1
2
export OPENAI_API_KEY=your_api_key
python examples/example_3_multimodal_memory.py

性能与生态

  • 在 Locomo 基准上平均 92.09% 准确率，说明主动记忆与检索的可靠性
  • memU-server：后端同步；memU-ui：可视化记忆看板
  • 多方合作伙伴与社区链接完善，API 与 UI 都能闭环

什么时候应该用 memU

  • 你有一个需要“24/7 在线”的个人助手或企业代理
  • 你希望它能“主动”准备上下文、主动做提醒与推荐
  • 你不想把每次对话都塞进超长上下文，成本和延迟都无法接受
  • 你需要把“会话、文档、图像、日志”等多源数据统一抽取为记忆，并在后续对话中自动浮现

小结

memU 的价值是“把上下文准备从被动变主动”。它把连续交互中的“偏好、规律、事实、技能”提炼成记忆项并进行层次组织，让代理“会提前知道你要什么”，并以更小的上下文与更少的 token 成本把结果呈现出来。
如果你想让你的 AI 助手不只是“问答器”，而是“懂你、先一步行动”的伙伴，memU 值得你试一试。

  • 仓库：NevaMind-AI/memU
  • 云端与 API：memu.so · memu.pro/docs
  • 自托管与示例：tests/ 与 examples/
  • 生态：memU-server · memU-ui · 合作伙伴
  • 社区：Discord、Issues、X

愿你的代理，从今天开始“记住你”，并主动为你准备好下一步。