猫头虎 推荐：记忆张量科技联合上交大等多所高校最新开源的一款LLM长期记忆系统：MemOS，时序推理较OpenAI提高159%

猫头虎 推荐：记忆张量科技联合上交大等多所高校最新开源的一款LLM长期记忆系统：MemOS，时序推理较OpenAI提高159%

MemOS 与大规模语言模型（LLM）深度集成，能够根据模型需求动态读取、写入和更新记忆，从而显著增强推理与学习能力。相比 OpenAI 基线方案，MemOS 平均准确率提升了 38.97%，Token 开销降低 60.95%，在时序推理任务上更是提高了 159%。

一、什么是 MemOS？

MemOS（Memory Operating System）是一个为 LLM 量身打造的“操作系统”，通过提供统一的记忆管理层，使模型能像操作系统管理文件一样管理长期记忆。它支持多模态、多类型的记忆存储与检索，且可根据上下文动态更新，帮助 LLM 实现更连贯、更个性化的对话和推理。

• 官方网站：https://memos.openmem.net/
• 文档首页：https://memos.openmem.net/docs/home
• API 参考：https://memos.openmem.net/docs/api/info
• 源码仓库：https://github.com/MemTensor/MemOS

二、性能基准（📈 Performance Benchmark）

下表展示了 MemOS 在 LOCOMO 基准上与 OpenAI 等多种方案的对比，其中 Temporal Reasoning（时序推理）环节提升尤为显著。

💡 时序推理准确率相比 OpenAI 基线提升了 159%。

图：LOCOMO 基准五大任务中，各方案的 LLM Judge 评分对比（均值±标准差）。MemOS-0630 在所有任务类型中均优于其它方法，尤其在多跳和时序推理场景。

三、核心特性（✨ Key Features）

• 🧠 Memory-Augmented Generation (MAG)
  提供统一的记忆操作 API，与 LLM 深度整合，在对话与推理环节实时检索并注入相关记忆。

• 📦 模块化记忆架构（MemCube）
  灵活的模块化设计，支持不同类型记忆模块的插拔与管理。

• 💾 多种记忆类型

  • Textual Memory：存储与检索结构化/非结构化文本知识。
  • Activation Memory：缓存关键 KV 对（KVCacheMemory），加速推理并重用上下文。
  • Parametric Memory：保存模型微调参数（如 LoRA 权重）。

• 🔄 动态记忆更新
  支持在线添加、修改、删除记忆，保证记忆始终与外部信息同步。

• 🔌 可扩展性
  提供插件式接口，方便自定义记忆模块、数据源及 LLM 集成。

四、快速上手（🚀 Getting Started）

创建并操作一个 MemCube

from memos.mem_cube.general import GeneralMemCube

# 初始化一个本地 MemCube
mem_cube = GeneralMemCube.init_from_dir("examples/data/mem_cube_2")

# 打印所有记忆内容
print("--- Textual Memories ---")
for item in mem_cube.text_mem.get_all():
    print(item)

print("\n--- Activation Memories ---")
for item in mem_cube.act_mem.get_all():
    print(item)

# 将 MemCube 保存到新目录
mem_cube.dump("tmp/mem_cube")

使用高层 MOS 接口

from memos.configs.mem_os import MOSConfig
from memos.mem_os.main import MOS

# 加载配置并初始化 MOS
mos_config = MOSConfig.from_json_file("examples/data/config/simple_memos_config.json")
memory = MOS(mos_config)

# 创建用户并注册 MemCube
user_id = "b41a34d5-5cae-4b46-8c49-d03794d206f5"
memory.create_user(user_id=user_id)
memory.register_mem_cube("examples/data/mem_cube_2", user_id=user_id)

# 添加一段对话记忆
memory.add(
    messages=[
        {"role": "user", "content": "I like playing football."},
        {"role": "assistant", "content": "I like playing football too."},
    ],
    user_id=user_id,
)

# 查询用户记忆
retrieved = memory.search(query="What do you like?", user_id=user_id)
print(f"text_memories: {retrieved['text_mem']}")

更多示例请查看 examples 目录。

五、安装指南（📦 Installation）

注意：当前官方仅支持 Linux，Windows/macOS 可能存在兼容性问题。

通过 pip 安装

pip install MemoryOS

开发者安装（可编辑模式）

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
make install

可选依赖

• Ollama 支持

  curl -fsSL https://ollama.com/install.sh | sh
  

• Transformers 支持（需先安装 PyTorch，建议 CUDA 版本以启用 GPU 加速）

六、社区与支持（💬 Community & Support）

• GitHub Issues：在 Issues 中反馈问题与建议
• GitHub Pull Requests：欢迎通过 Pull Requests 提交代码改进
• GitHub Discussions：加入 Discussions，与开发者和用户交流
• Discord：扫码入群，实时互动 (https://discord.gg/Txbx3gebZR)
• 微信：扫描下方二维码加入官方微信群

七、引用（📜 Citation）

如果在研究中使用 MemOS，请引用以下论文：

@article{li2025memos,
  title={MemOS: An Operating System for Memory-Augmented Generation (MAG) in Large Language Models},
  author={Li, Zhiyu and Song, Shichao and Wang, Hanyu and Niu, Simin and Chen, Ding and Yang, Jiawei and Xi, Chenyang and Lai, Huayi and Zhao, Jihao and Wang, Yezhaohui and others},
  journal={arXiv preprint arXiv:2505.22101},
  year={2025}
}

八、 最新动态（📰 News）

• 2025-07-07 – 🎉 MemOS 1.0 (Stellar) Preview Release：首个 SOTA 级 Memory OS 正式开源
• 2025-05-28 – 🎉 短文发布：在 arXiv 上传论文《MemOS: An Operating System for Memory-Augmented Generation (MAG) in Large Language Models》
• 2024-07-04 – 🎉 Memory3 模型首发：WAIC 2024 发布全新分层记忆架构模型
• 2024-07-01 – 🎉 Memory3 论文发布：在 arXiv 发布《Memory3: Language Modeling with Explicit Memory》

以上即 MemOS 的全面技术概览，欢迎体验并关注更多更新！

猫头虎 forks仓库： https://github.com/MaoTouHU/MemOS