memU：为 AI Agent 打造的「长期记忆系统」

MemU 是一款为 AI 系统打造的记忆管理工具，可将对话、文档、媒体素材等各类信息转化为结构化记忆，并存储在清晰的三层文件系统中。该工具既支持高速的嵌入向量检索，也能实现基于大语言模型的深度检索，兼容多类数据格式，提供云端部署与本地自建两种方案，同时配备简洁易用的接口。借助 MemU，你能构建出真正具备记忆能力的 AI 智能体：可留存过往交互记录、在需要时精准调取对应上下文，还能实现能力的持续迭代优化，让你的 AI 应用更精准、更具个性化，同时大幅提升运行效率。

让 AI 不再只是“当下聪明”，而是“持续记得”。

在大多数大语言模型（LLM）应用中，一个长期存在的问题是：
模型本身没有真正的记忆。
上下文窗口一结束，历史就被抹平；模型“看起来”理解你，但实际上并不会长期记住你。

memU 正是为了解决这个问题而出现的。

它不是一个模型，而是一个 面向 AI Agent 的记忆基础设施（Memory Infrastructure）。

memU 想解决的核心问题

在 Agent、Copilot、AI Companion 这类应用中，常见的痛点包括：

• ❌ AI 无法长期记住用户偏好
• ❌ 每次启动都是“失忆状态”
• ❌ 上下文只能靠 prompt 拼接，成本高、效果不稳定
• ❌ 记忆是非结构化文本，难以管理与演化

memU 的目标可以一句话概括：

把「记忆」从 prompt 和模型参数中剥离出来，变成一个可管理、可演化的系统层。

什么是 memU？

memU 是一个为 LLM / AI Agent 提供长期记忆能力的框架，它负责：

• 接收 AI 交互过程中的信息
• 抽取、整理并存储为“记忆单元（Memory Units）”
• 在合适的时机，将相关记忆检索并提供给模型使用

你可以把 memU 理解为：

🧠 AI 的“海马体 + 笔记系统 + 文件柜”

memU 的整体架构思路

从设计理念上看，memU 把“记忆”拆成了几个关键层次：

记忆输入（Memory Ingestion）

• 来自对话、任务执行、文档、环境状态等
• 可以是文本，也可以是多模态信息
• 并不是“全量存储”，而是选择性记忆

记忆抽取与结构化（Memory Structuring）

memU 不只是存原始文本，而是会把信息整理成：

• 用户偏好
• 事实性信息
• 行为模式
• 长期目标或约束

这些内容会被组织成结构化的记忆单元，而不是一堆对话日志。

记忆存储（Memory Storage）

• 分层 / 分类型存储
• 可基于文件系统、数据库或向量库
• 记忆是可追踪、可修改、可删除的

记忆检索（Memory Retrieval）

memU 支持多种记忆调用方式：

• Embedding 相似度检索（RAG）
• 由 LLM 直接参与判断的语义检索
• 基于任务/上下文的定向记忆唤醒

重点是：
👉 不是“全塞给模型”，而是“只给此刻最有用的记忆”

memU 与传统 RAG 的区别

维度	传统 RAG	memU
核心目标	文档问答	长期记忆
存储内容	静态知识	动态、演化的个人/Agent 记忆
结构	文本块	结构化记忆单元
生命周期	一次性	长期、可更新
使用对象	查询	Agent 决策与行为

memU 更像是 Agent 的“人格与经验层”，而不是知识库。

应用场景

memU 特别适合下面这些场景：

🤖 AI Agent / Autonomous Agent

• 记住任务执行历史
• 累积策略与经验
• 避免重复试错

💬 AI 伴侣 / 情感型助手

• 记住用户习惯、情绪模式
• 建立长期关系感
• 避免“每次都像第一次见面”

🎓 教育 / 学习助手

• 跟踪学习进度
• 记住用户薄弱点
• 个性化长期教学策略

🧑‍💼 智能客服 / Copilot

• 记住用户背景
• 跨会话保持一致性
• 减少用户重复解释成本

Github：https://github.com/NevaMind-AI/memU
油管：https://youtu.be/Q6fJsOuuFRM