OpenMemory
为 AI 系统提供长期记忆能力。不是向量搜索，不是 RAG，而是“真正的记忆系统”。 ([GitHub][1])
👉 自托管 / 本地优先 / 可解释 / 可扩展 👉 可以用“一行代码”为 Agent 增加记忆能力 ([GitHub][1])
核心定位（Introduction）
现代 LLM 存在的问题：
- 会话之间完全遗忘
-
向量数据库只是“平面 chunk”，缺乏：
- 时间维度
- 重要性
- 关系结构
-
云 memory API：
- 成本高
- Vendor lock-in
OpenMemory 提供的能力
- 持久记忆（persistent memory）
- 多层认知结构（multi-sector cognitive structure）
- 自然遗忘（decay）
- 基于图的召回（graph-based recall）
- 时间感知（time-aware）
- 可解释性（waypoint trace）
- 完全数据控制权（local-first）
- MCP 协议集成 ([GitHub][1])
👉 本质定位： AI 的 Memory OS（记忆操作系统）
🚀 对比传统方案
传统方案（LangChain + Pinecone）：
- 复杂（10+ 行）
- 依赖云
- 初始化慢
OpenMemory：
from openmemory import OpenMemory
om = OpenMemory(...)
om.add("User allergic to peanuts")
om.query("allergies")
👉 仅 3 行代码 👉 本地 SQLite 👉 无云依赖 ([GitHub][1])
⚡ Standalone 模式
无需后端：
- 直接运行在 Node.js / Python 中
- 本地 SQLite 存储
- 数据不离开本机 ([GitHub][1])
🧠 核心设计：认知记忆模型
OpenMemory 不是“向量库”，而是类人脑结构
五大记忆类型（Multi-sector）
- Episodic（情景记忆）→ 事件
- Semantic（语义记忆）→ 知识
- Procedural（程序记忆）→ 技能
- Emotional（情绪记忆）→ 情感
- Reflective（反思记忆）→ 元认知 ([GitHub][1])
👉 这是它和 RAG 最大的本质区别
🧩 架构核心（Architecture）
数据流
- 输入分类（按 memory sector）
- 生成 embedding（按 sector）
- 分 sector 检索
- graph 扩展（waypoint）
- 综合评分：
similarity + salience + recency + weight
- 时间图修正（temporal graph）
- 输出 + 可解释路径 ([GitHub][1])
核心引擎组件
- Vector Search（向量召回）
- Waypoint Graph（关系图）
- Decay Engine（遗忘机制）
- Composite Scoring（综合评分）
👉 和传统 RAG 最大差异：
不是“相似度检索”，而是“认知计算”
⏳ 时间维度（Temporal Knowledge Graph）
传统 memory 系统： ❌ 忽略时间
OpenMemory：
valid_from / valid_to- 自动更新事实（新事实覆盖旧事实）
- 时间点查询（point-in-time）
- 时间线重建 ([GitHub][1])
👉 举例：
CEO 变化会自动更新历史，而不是覆盖
🧠 记忆动态机制
1️⃣ Decay（遗忘）
- 随时间衰减
- 不重要的信息自动消失
2️⃣ Reinforcement（强化）
- 高频 / 重要记忆被强化
👉 模型类似：
Memory Strength = Recency + Frequency + Importance
🔗 MCP 集成
OpenMemory 内置 MCP server：
可直接接入：
- Claude Desktop
- Cursor
- Windsurf
- 等 AI IDE ([GitHub][1])
提供工具：
openmemory_queryopenmemory_storeopenmemory_listopenmemory_reinforce
📦 使用方式
1️⃣ JS SDK
npm install openmemory-js
import { OpenMemory } from "openmemory-js"
const mem = new OpenMemory()
2️⃣ Python SDK
pip install openmemory-py
from openmemory import Memory
mem = Memory()
3️⃣ Backend Server
适用于：
- 多用户系统
- SaaS / Dashboard
- 企业级 memory
docker compose up --build -d
🧪 性能（官方测试）
- 115ms 查询延迟（10万节点）
- 338 QPS
- Recall@5 = 95% ([GitHub][1])
🔐 安全
- AES-GCM 加密
- 用户隔离
- 默认无 telemetry ([GitHub][1])
🧰 CLI 工具
opm add "user prefers dark mode"
opm query "preferences"
opm list
opm reinforce <id>
📊 Dashboard
支持：
- memory 浏览
- decay 曲线
- graph 可视化
- timeline 分析 ([GitHub][1])
🧠 本质总结（非常关键）
如果用一句话说：
👉 OpenMemory ≠ 向量数据库 👉 OpenMemory = AI 的“类人脑记忆系统”
🔥 和你当前系统的关系（重点）
你现在在做：
IM + Feed + 推荐 + 用户画像 + AI Agent
👉 OpenMemory 对你来说，本质是：
👉 “统一记忆中枢”（Memory Layer）
可以替代：
- 用户画像系统（部分）
- 标签系统（部分）
- RAG memory
- 行为日志的语义层
🚀 如果你要落地（建议）
你可以这样用：
架构映射
IM事件流 → Memory Engine（OpenMemory思想）
↓
推荐系统 / Agent / Feed
可拆能力
- 用户长期偏好（user memory）
- 会话上下文（session memory）
- 项目知识（project memory）
- 行为沉淀（behavior → memory）
