NevaMind-AI/memU

 memU 是一个为 **7x24 小时主动 agents** 构建的记忆框架。 它专为长期运行场景设计，极大地**降低了保持 agents 始终在线的 LLM token 成本**，使得“永远在线、持续进化”的 agents 在生产系统中切实可行。 memU **持续捕捉并理解用户意图**。即使没有指令，agent 也能判断你接下来要做什么，并自主采取行动。 ## 🤖 [OpenClaw (Moltbot, Clawdbot) 替代方案](https://github.com/NevaMind-AI/memUBot) **[memU Bot](https://github.com/NevaMind-AI/memUBot)** —— 现已开源。企业级可用的 OpenClaw。你的能记住一切的主动 AI 助手。 - **下载即用，简单上手**（一键安装，< 3 分钟）。 - 建立长期记忆以**理解用户意图**并主动行动（7x24 小时）。 - 通过更小的上下文**节省 LLM token 成本**（约为同类用量的 1/10）。 立即体验：[memu.bot](https://memu.bot) · 源码：[GitHub 上的 memUBot](https://github.com/NevaMind-AI/memUBot) ## 🗃️ 记忆即文件系统，文件系统即记忆 memU 将**记忆视为文件系统**——结构化、层级化、即时可访问。 | 文件系统 | memU 记忆 | |-------------|-------------| | 📁 文件夹 | 🏷️ 分类（自动整理的主题） | | 📄 文件 | 🧠 记忆项（提取的事实、偏好、技能） | | 🔗 符号链接 | 🔄 交叉引用（相关记忆的链接） | | 📂 挂载点 | 📥 资源（对话、文档、图片） | **重要性：** - **浏览记忆** 就像浏览目录——从宽泛的分类下钻到具体事实 - **即时挂载新知识**——对话和文档变为可查询的记忆 - **交叉链接一切**——记忆之间相互引用，构建连接的知识图谱 - **持久且可移植**——像文件一样导出、备份和传输记忆 ``` memory/ ├── preferences/ │ ├── communication_style.md │ └── topic_interests.md ├── relationships/ │ ├── contacts/ │ └── interaction_history/ ├── knowledge/ │ ├── domain_expertise/ │ └── learned_skills/ └── context/ ├── recent_conversations/ └── pending_tasks/ ``` 正如文件系统将原始字节转化为有组织的数据，memU 将原始交互转化为**结构化、可搜索、主动的智能**。 ## ✨ 核心功能 ## | 能力 | 描述 | |------------|-------------| | 🤖 **7x24 小时主动 Agent** | 始终在线的记忆 agent，在后台持续工作——从不休眠，从不遗忘 | | 🎯 **用户意图捕捉** | 自动理解并记住用户目标、偏好和跨会话上下文 | | 💰 **成本高效** | 通过缓存洞察和避免冗余 LLM 调用来降低长期运行的 token 成本 | ## 🔄 主动记忆工作原理 ``` cd examples/proactive python proactive.py ``` ### 主动记忆生命周期 ``` ┌──────────────────────────────────────────────────────────────────────────────────────────────────┐ │ USER QUERY │ └──────────────────────────────────────────────────────────────────────────────────────────────────┘ │ │ ▼ ▼ ┌────────────────────────────────────────┐ ┌────────────────────────────────────────────────┐ │ 🤖 MAIN AGENT │ │ 🧠 MEMU BOT │ │ │ │ │ │ Handle user queries & execute tasks │ ◄───► │ Monitor, memorize & proactive intelligence │ ├────────────────────────────────────────┤ ├────────────────────────────────────────────────┤ │ │ │ │ │ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │ │ │ 1. RECEIVE USER INPUT │ │ │ │ 1. MONITOR INPUT/OUTPUT │ │ │ │ Parse query, understand │ │ ───► │ │ Observe agent interactions │ │ │ │ context and intent │ │ │ │ Track conversation flow │ │ │ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ▼ │ │ ▼ │ │ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │ │ │ 2. PLAN & EXECUTE │ │ │ │ 2. MEMORIZE & EXTRACT │ │ │ │ Break down tasks │ │ ◄─── │ │ Store insights, facts, preferences │ │ │ │ Call tools, retrieve data │ │ inject │ │ Extract skills & knowledge │ │ │ │ Generate responses │ │ memory │ │ Update user profile │ │ │ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ▼ │ │ ▼ │ │ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │ │ │ 3. RESPOND TO USER │ │ │ │ 3. PREDICT USER INTENT │ │ │ │ Deliver answer/result │ │ ───► │ │ Anticipate next steps │ │ │ │ Continue conversation │ │ │ │ Identify upcoming needs │ │ │ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ▼ │ │ ▼ │ │ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │ │ │ 4. LOOP │ │ │ │ 4. RUN PROACTIVE TASKS │ │ │ │ Wait for next user input │ │ ◄─── │ │ Pre-fetch relevant context │ │ │ │ or proactive suggestions │ │ suggest│ │ Prepare recommendations │ │ │ └──────────────────────────────────┘ │ │ │ Update todolist autonomously │ │ │ │ │ └──────────────────────────────────────────┘ │ └────────────────────────────────────────┘ └────────────────────────────────────────────────┘ │ │ └───────────────────────────┬───────────────────────────────┘ ▼ ┌──────────────────────────────┐ │ CONTINUOUS SYNC LOOP │ │ Agent ◄──► MemU Bot ◄──► DB │ └──────────────────────────────┘ ``` ## 🎯 主动应用场景 ### 1. **信息推荐** *Agent 监控兴趣并主动呈现相关内容* ``` # 用户一直在研究 AI 主题 MemU tracks: reading history, saved articles, search queries # 当新内容到达时： Agent: "I found 3 new papers on RAG optimization that align with your recent research on retrieval systems. One author (Dr. Chen) you've cited before published yesterday." # 主动行为： - Learns topic preferences from browsing patterns - Tracks author/source credibility preferences - Filters noise based on engagement history - Times recommendations for optimal attention ``` ### 2. **邮件管理** *Agent 学习沟通模式并处理日常通信* ``` # MemU 随时间观察邮件模式： - Response templates for common scenarios - Priority contacts and urgent keywords - Scheduling preferences and availability - Writing style and tone variations # 主动邮件协助： Agent: "You have 12 new emails. I've drafted responses for 3 routine requests and flagged 2 urgent items from your priority contacts. Should I also reschedule tomorrow's meeting based on the conflict John mentioned?" # 自主行动： ✓ Draft context-aware replies ✓ Categorize and prioritize inbox ✓ Detect scheduling conflicts ✓ Summarize long threads with key decisions ``` ### 3. **交易与金融监控** *Agent 跟踪市场背景和用户投资行为* ``` # MemU 学习交易偏好： - Risk tolerance from historical decisions - Preferred sectors and asset classes - Response patterns to market events - Portfolio rebalancing triggers # 主动警报： Agent: "NVDA dropped 5% in after-hours trading. Based on your past behavior, you typically buy tech dips above 3%. Your current allocation allows for $2,000 additional exposure while maintaining your 70/30 equity-bond target." # 持续监控： - Track price alerts tied to user-defined thresholds - Correlate news events with portfolio impact - Learn from executed vs. ignored recommendations - Anticipate tax-loss harvesting opportunities ``` ... ## 🗂️ 分层记忆架构 MemU 的三层系统同时支持**被动查询**和**主动上下文加载**： | 层级 | 被动用途 | 主动用途 | |-------|--------------|---------------| | **Resource** | 直接访问原始数据 | 后台监控新模式 | | **Item** | 针对性事实检索 | 从持续交互中实时提取 | | **Category** | 摘要级概览 | 自动组装上下文以进行预判 | **主动优势：** - **自动分类**：新记忆自动归类到主题中 - **模式检测**：系统识别重复出现的主题 - **上下文预测**：预判接下来需要哪些信息 ## 🚀 快速开始 ### 选项 1：云端版 即时体验主动记忆： 👉 **[memu.so](https://memu.so)** - 7x24 持续学习的托管服务 如需具有自定义主动工作流的企业部署，请联系 **info@nevamind.ai** #### Cloud API (v3) | Base URL | `https://api.memu.so` | |----------|----------------------| | Auth | `Authorization: Bearer YOUR_API_KEY` | | Method | Endpoint | Description | |--------|----------|-------------| | `POST` | `/api/v3/memory/memorize` | 注册持续学习任务 | | `GET` | `/api/v3/memory/memorize/status/{task_id}` | 检查实时处理状态 | | `POST` | `/api/v3/memory/categories` | 列出自动生成的分类 | | `POST` | `/api/v3/memory/retrieve` | 查询记忆（支持主动上下文加载） | 📚 **[完整 API 文档](https://memu.pro/docs#cloud-version)** ### 选项 2：自托管 #### 安装 ``` pip install -e . ``` #### 基础示例 **测试持续学习**（内存模式）： ``` export OPENAI_API_KEY=your_api_key cd tests python test_inmemory.py ``` **测试持久化存储**（PostgreSQL）： ``` # 启动带 pgvector 的 PostgreSQL docker run -d \ --name memu-postgres \ -e POSTGRES_USER=postgres \ -e POSTGRES_PASSWORD=postgres \ -e POSTGRES_DB=memu \ -p 5432:5432 \ pgvector/pgvector:pg16 # 运行持续学习测试 export OPENAI_API_KEY=your_api_key cd tests python test_postgres.py ``` 这两个示例都展示了**主动记忆工作流**： 1. **持续摄入**：按顺序处理多个文件 2. **自动提取**：立即创建记忆 3. **主动检索**：感知上下文的记忆浮现 详见 [`tests/test_inmemory.py`](tests/test_inmemory.py) 和 [`tests/test_postgres.py`](tests/test_postgres.py)。 ### 自定义 LLM 和 Embedding 提供商 MemU 支持除 OpenAI 之外的自定义 LLM 和 embedding 提供商。通过 `llm_profiles` 进行配置： ``` from memu import MemUService service = MemUService( llm_profiles={ # Default profile for LLM operations "default": { "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1", "api_key": "your_api_key", "chat_model": "qwen3-max", "client_backend": "sdk" # "sdk" or "http" }, # Separate profile for embeddings "embedding": { "base_url": "https://api.voyageai.com/v1", "api_key": "your_voyage_api_key", "embed_model": "voyage-3.5-lite" } }, # ... other configuration ) ``` ### OpenRouter 集成 MemU 支持 [OpenRouter](https://openrouter.ai) 作为模型提供商，让你通过单一 API 访问多个 LLM 提供商。 #### 配置 ``` 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", # Any OpenRouter model "embed_model": "openai/text-embedding-3-small", # Embedding model }, }, database_config={ "metadata_store": {"provider": "inmemory"}, }, ) ``` #### 环境变量 | 变量 | 描述 | |----------|-------------| | `OPENROUTER_API_KEY` | 你在 [openrouter.ai/keys](https://openrouter.ai/keys) 获取的 OpenRouter API key | #### 支持的功能 | 功能 | 状态 | 备注 | |---------|--------|-------| | Chat Completions | 支持 | 适用于任何 OpenRouter chat 模型 | | Embeddings | 支持 | 通过 OpenRouter 使用 OpenAI embedding 模型 | | Vision | 支持 | 使用具备视觉能力的模型（如 `openai/gpt-4o`） | #### 运行 OpenRouter 测试 ``` export OPENROUTER_API_KEY=your_api_key # 完整工作流测试（记忆 + 检索） python tests/test_openrouter.py # Embedding 专项测试 python tests/test_openrouter_embedding.py # Vision 专项测试 python tests/test_openrouter_vision.py ``` 完整示例见 [`examples/example_4_openrouter_memory.py`](examples/example_4_openrouter_memory.py)。 ## 📖 核心 API ### `memorize()` - 持续学习流水线 实时处理输入并立即更新记忆： ``` result = await service.memorize( resource_url="path/to/file.json", # File path or URL modality="conversation", # conversation | document | image | video | audio user={"user_id": "123"} # Optional: scope to a user ) # 立即返回提取的记忆： { "resource": {...}, # Stored resource metadata "items": [...], # Extracted memory items (available instantly) "categories": [...] # Auto-updated category structure } ``` **主动特性：** - 零延迟处理——记忆立即可用 - 无需手动标记的自动分类 - 与现有记忆交叉引用以进行模式检测 ### `retrieve()` - 双模态智能 MemU 同时支持**主动上下文加载**和**被动查询**： #### 基于 RAG 的检索 (`method="rag"`) 使用 embeddings 进行快速的**主动上下文组装**： - ✅ **即时上下文**：亚秒级记忆浮现 - ✅ **后台监控**：可持续运行，无 LLM 成本 - ✅ **相似度评分**：自动识别最相关的记忆 #### 基于 LLM 的检索 (`method="llm"`) 针对复杂上下文的深度**预判推理**： - ✅ **意图预测**：LLM 在用户提问前推断其需求 - ✅ **查询演进**：随着上下文发展自动优化搜索 - ✅ **早停机制**：收集到足够上下文时停止 #### 对比 | 方面 | RAG (快速上下文) | LLM (深度推理) | |--------|-------------------|---------------------| | **速度** | ⚡ 毫秒级 | 🐢 秒级 | | **成本** | 💰 仅 Embedding | 💰💰 LLM 推理 | | **主动使用** | 持续监控 | 触发式上下文加载 | | **最适合** | 实时建议 | 复杂预判 | #### 用法 ``` # 结合上下文历史的主动检索 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"}, # Optional: scope filter method="rag" # or "llm" for deeper reasoning ) # 返回感知上下文的结果： { "categories": [...], # Relevant topic areas (auto-prioritized) "items": [...], # Specific memory facts "resources": [...], # Original sources for traceability "next_step_query": "..." # Predicted follow-up context } ``` **主动过滤**：使用 `where` 限定持续监控范围： - `where={"user_id": "123"}` - 用户特定上下文 - `where={"agent_id__in": ["1", "2"]}` - 多 agent 协调 - 省略 `where` 以获取全局上下文感知 ## 💡 主动场景 ### 示例 1：持续学习的助手 从每次交互中持续学习，无需显式的记忆指令： ``` export OPENAI_API_KEY=your_api_key python examples/example_1_conversation_memory.py ``` **主动行为：** - 自动从随意提及中提取偏好 - 从交互模式中构建关系模型 - 在未来的对话中浮现相关上下文 - 根据习得的偏好调整沟通风格 **最适合：** 个人 AI 助手、有记忆的客服、社交聊天机器人 ### 示例 2：自我进化的 Agent 从执行日志中学习并主动建议优化： ``` export OPENAI_API_KEY=your_api_key python examples/example_2_skill_extraction.py ``` **主动行为：** - 持续监控 agent 行为和结果 - 识别成功与失败的模式 - 从经验中自动生成技能指南 - 为未来类似任务主动建议策略 **最适合：** DevOps 自动化、agent 自我改进、知识捕获 ### 示例 3：多模态上下文构建器 跨不同输入类型统一记忆，提供全面的上下文： ``` export OPENAI_API_KEY=your_api_key python examples/example_3_multimodal_memory.py ``` **主动行为：** - 自动交叉引用文本、图像和文档 - 跨模态构建统一理解 - 在讨论相关主题时浮现视觉上下文 - 通过结合多个来源预判信息需求 **最适合：** 文档系统、学习平台、研究助手 ## 📊 性能 MemU 在 Locomo 基准测试的所有推理任务中取得了 **92.09% 的平均准确率**，展示了可靠的主动记忆操作能力。 查看详细实验数据：[memU-experiment](https://github.com/NevaMind-AI/memU-experiment) ## 🧩 生态系统 | 仓库 | 描述 | 主动特性 | |------------|-------------|-------------------| | **[memU](https://github.com/NevaMind-AI/memU)** | 核心主动记忆引擎 | 7x24 学习流水线，自动分类 | | **[memU-server](https://github.com/NevaMind-AI/memU-server)** | 支持持续同步的后端 | 实时记忆更新，webhook 触发 | | **[memU-ui](https://github.com/NevaMind-AI/memU-ui)** | 可视化记忆仪表板 | 实时记忆演化监控 | **快速链接：** - 🚀 [试用 MemU 云端版](https://app.memu.so/quick-start) - 📚 [API 文档](https://memu.pro/docs) - 💬 [Discord 社区](https://discord.gg/memu) ## 🤝 合作伙伴 ## 🤝 如何贡献 我们欢迎社区的贡献！无论是修复 bug、添加功能还是改进文档，我们都非常感谢。 ### 开始之前 要开始为 MemU 做贡献，你需要设置开发环境： #### 前置条件 - Python 3.13+ - [uv](https://github.com/astral-sh/uv)（Python 包管理器） - Git #### 设置开发环境 ``` # 1. Fork 并 clone 仓库 git clone https://github.com/YOUR_USERNAME/memU.git cd memU # 2. 安装开发依赖项 make install ``` `make install` 命令将： - 使用 `uv` 创建虚拟环境 - 安装所有项目依赖 - 设置用于代码质量检查的 pre-commit hooks #### 运行质量检查 在提交贡献之前，请确保你的代码通过所有质量检查： ``` make check ``` `make check` 命令会运行： - **Lock 文件验证**：确保 `pyproject.toml` 的一致性 - **Pre-commit hooks**：使用 Ruff 进行代码检查，使用 Black 格式化 - **类型检查**：运行 `mypy` 进行静态类型分析 - **依赖分析**：使用 `deptry` 查找过时的依赖 ### 贡献指南 关于详细的贡献指南、代码规范和开发实践，请参阅 [CONTRIBUTING.md](CONTRIBUTING.md)。 **快速提示：** - 为每个功能或 bug 修复创建新分支 - 编写清晰的提交信息 - 为新功能添加测试 - 根据需要更新文档 - 推送前运行 `make check` ## 📄 许可证 [Apache License 2.0](LICENSE.txt) ## 🌍 社区 - **GitHub Issues**: [报告 Bug & 请求功能](https://github.com/NevaMind-AI/memU/issues) - **Discord**: [加入社区](https://discord.com/invite/hQZntfGsbJ) - **X (Twitter)**: [关注 @memU_ai](https://x.com/memU_ai) - **联系方式**: info@nevamind.ai

标签：24/7在线, Clawdbot, DLL 劫持, DNS解析, Moltbot, NevaMind, OpenClaw替代, Petitpotam, Python, Token优化, 主动式Agent, 人工智能, 向量数据库, 大语言模型, 开源项目, 意图识别, 成本降低, 无后门, 智能助手, 机器人, 测试用例, 生产环境, 用户模式Hook绕过, 网络调试, 自动化, 记忆框架, 请求拦截, 逆向工具, 长期记忆