Memoh长期记忆系统指南AI Agent跨会话记住上下文的3大核心技术【免费下载链接】Memoh✨ The open-source multi-agent platform. Every agent gets its own computer, desktop, network, and long-term memory. You can bring your own key, or host your coding agent like Claude Code, Codex and so on.项目地址: https://gitcode.com/gh_mirrors/me/MemohMemoh 是一款开源的多智能体multi-agent平台为每个 AI Agent 配备独立的电脑、桌面、网络与长期记忆。本文带你快速看懂 Memoh 长期记忆系统的运作原理它如何让 AI Agent 跨会话记住你的偏好、计划与项目上下文无需每次对话都重新自我介绍。我们会拆解三大核心技术——自动事实提取、图召回向量检索、可插拔多后端架构并附上关键模块路径帮你快速上手。为什么 AI Agent 需要跨会话的长期记忆普通聊天窗口一旦关闭AI 就失忆了你上周说过我对花生过敏这周它可能忘了。对于 7×24 小时在线的 Agent 来说长期记忆Long-term Memory是核心能力——它决定 Agent 能不能真正理解你、记住你和越用越聪明。Memoh 的记忆系统独立成模块位于 internal/memory/设计目标很明确会话结束后重要的信息沉淀为结构化记忆下次对话开始时自动召回最相关的内容注入上下文。整个链路分为三步写入Formation每轮对话结束后系统自动提取值得记住的事实存储Storage以带关系的记忆节点形式持久化支持按 Bot / Agent / 会话作用域隔离召回Retrieval新一轮对话开始前检索最相关的记忆片段注入模型上下文核心技术一LLM 驱动的自动事实提取记忆形成管线Memoh 内置的记忆形成Memory Formation管线是无人工干预的关键。每轮对话结束后系统自动执行Extract → 候选检索 → Decide → Apply四步流水线实现在 internal/memory/adapters/builtin/formation.goExtract提取由 LLM 从对话中抽取结构化事实例如用户在旧金山找餐厅用户是软件工程师。提取规则定义在 internal/memory/memllm/prompts/memory_extract.md覆盖七类信息个人偏好、重要个人信息、计划与意图、服务偏好、健康偏好、职业信息等且每条事实都必须标注支撑它的消息来源。Decide决策将新事实与该 Bot 已有的候选记忆比对LLM 对每条事实做出ADD新增、UPDATE更新、DELETE删除或NOOP忽略决策——记忆库因此不会无限膨胀旧信息被新信息自动修正。Apply落库执行决策并记录来源消息引用保证每条记忆可溯源。整个过程带 60 秒超时保护且失败静默降级绝不影响正常对话的流畅度。 换句话说你和 Agent 聊得越多它对你的画像越精准全程无需手动操作。核心技术二图召回 pgvector 向量检索的混合检索记下来只是第一步找得回才是难点。Memoh 内置记忆提供两种互补的召回路径检索路径原理擅长场景图召回graph 模式记忆以节点关系边构成知识图沿连接节点做关联召回用户的项目偏好这类需要跨多条记忆组合的场景向量语义检索pgvector配置 Embedding 模型后维护专用 pgvector 语义种子索引找餐厅这类语义相似查询关键类型定义在 internal/memory/adapters/types.go图与向量索引的健康状态、来源数量、边数量都暴露在记忆状态接口中便于监控。向量索引基于 PostgreSQL 的 pgvector 扩展数据库迁移文件位于 db/pgvector/migrations/本地存储则保持纯图模式零外部依赖。召回后还有一个贴心的上下文打包器context packer默认每轮注入 6 条记忆片段、总量不超过 1800 字符可通过context_target_items、context_max_total_chars调节既保证相关性又不挤占宝贵的上下文窗口。核心技术三可插拔的多后端记忆架构Memoh 的记忆系统采用Provider 注册表设计见 internal/memory/adapters/service.go 与 internal/memory/adapters/registry.go内置三种记忆后端按需切换Built-in内置开箱即用图召回 pgvector 语义索引 Markdown 知识库见 internal/memory/wikistore/数据完全自托管Mem0对接 Mem0 SaaS 的成熟记忆方案填 API Key 即用OpenViking第三方记忆后端适配internal/memory/adapters/openviking/所有 Provider 共享统一的Add / Search / Update / Delete / Compact接口这意味着切换后端不影响 Agent 侧的记忆工具调用。作用域隔离同样精细记忆默认挂在 Bot 级别的共享命名空间下也支持 Agent 级与单次 Run 级的作用域bot_id/agent_id/run_id多 Agent 协作时互不串味。此外系统还提供**记忆压缩Memory Compact**能力当记忆条数过多时可用 LLM 将碎片化记忆语义合并、衰减淘汰保持记忆库精简高效。在会话中如何使用长期记忆对普通用户来说Memoh 的记忆基本是无感的但 Agent 拥有主动操作记忆的工具search_memoryAgent 判断当前问题需要历史背景时主动检索长期记忆create_memory外部运行时如你托管的 Claude Code、Codex通过该工具把自己的事实写入记忆库你也可以通过聊天指令查看与管理记忆命令处理逻辑位于 internal/command/memory.go。记忆注入发生在发送请求前BeforeChat 钩子把检索结果格式化后注入对话而事实沉淀发生在收到回复后AfterChat 钩子触发形成管线两个时机互不阻塞。延伸阅读如果你关心长会话下的上下文组装与压缩Compaction如何与记忆系统协同推荐阅读设计文档 docs/design/context-memory-scheduling.md。总结Memoh 长期记忆系统的 3 大核心技术#技术一句话价值1LLM 自动事实提取 ADD/UPDATE 决策管线对话即沉淀记忆自维护、可溯源2图召回 pgvector 向量混合检索关联记忆与语义相似都能找得回3Provider 可插拔多后端架构自托管或 Mem0 云一键切换不换调用方式这就是 Memoh 每个 Agent 都有自己的长期记忆的实现全貌——从记忆写入、结构化存储到智能召回形成完整闭环让你的 AI Agent 真正做到跨会话过目不忘。【免费下载链接】Memoh✨ The open-source multi-agent platform. Every agent gets its own computer, desktop, network, and long-term memory. You can bring your own key, or host your coding agent like Claude Code, Codex and so on.项目地址: https://gitcode.com/gh_mirrors/me/Memoh创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Memoh长期记忆系统指南：AI Agent跨会话记住上下文的3大核心技术
Memoh长期记忆系统指南AI Agent跨会话记住上下文的3大核心技术【免费下载链接】Memoh✨ The open-source multi-agent platform. Every agent gets its own computer, desktop, network, and long-term memory. You can bring your own key, or host your coding agent like Claude Code, Codex and so on.项目地址: https://gitcode.com/gh_mirrors/me/MemohMemoh 是一款开源的多智能体multi-agent平台为每个 AI Agent 配备独立的电脑、桌面、网络与长期记忆。本文带你快速看懂 Memoh 长期记忆系统的运作原理它如何让 AI Agent 跨会话记住你的偏好、计划与项目上下文无需每次对话都重新自我介绍。我们会拆解三大核心技术——自动事实提取、图召回向量检索、可插拔多后端架构并附上关键模块路径帮你快速上手。为什么 AI Agent 需要跨会话的长期记忆普通聊天窗口一旦关闭AI 就失忆了你上周说过我对花生过敏这周它可能忘了。对于 7×24 小时在线的 Agent 来说长期记忆Long-term Memory是核心能力——它决定 Agent 能不能真正理解你、记住你和越用越聪明。Memoh 的记忆系统独立成模块位于 internal/memory/设计目标很明确会话结束后重要的信息沉淀为结构化记忆下次对话开始时自动召回最相关的内容注入上下文。整个链路分为三步写入Formation每轮对话结束后系统自动提取值得记住的事实存储Storage以带关系的记忆节点形式持久化支持按 Bot / Agent / 会话作用域隔离召回Retrieval新一轮对话开始前检索最相关的记忆片段注入模型上下文核心技术一LLM 驱动的自动事实提取记忆形成管线Memoh 内置的记忆形成Memory Formation管线是无人工干预的关键。每轮对话结束后系统自动执行Extract → 候选检索 → Decide → Apply四步流水线实现在 internal/memory/adapters/builtin/formation.goExtract提取由 LLM 从对话中抽取结构化事实例如用户在旧金山找餐厅用户是软件工程师。提取规则定义在 internal/memory/memllm/prompts/memory_extract.md覆盖七类信息个人偏好、重要个人信息、计划与意图、服务偏好、健康偏好、职业信息等且每条事实都必须标注支撑它的消息来源。Decide决策将新事实与该 Bot 已有的候选记忆比对LLM 对每条事实做出ADD新增、UPDATE更新、DELETE删除或NOOP忽略决策——记忆库因此不会无限膨胀旧信息被新信息自动修正。Apply落库执行决策并记录来源消息引用保证每条记忆可溯源。整个过程带 60 秒超时保护且失败静默降级绝不影响正常对话的流畅度。 换句话说你和 Agent 聊得越多它对你的画像越精准全程无需手动操作。核心技术二图召回 pgvector 向量检索的混合检索记下来只是第一步找得回才是难点。Memoh 内置记忆提供两种互补的召回路径检索路径原理擅长场景图召回graph 模式记忆以节点关系边构成知识图沿连接节点做关联召回用户的项目偏好这类需要跨多条记忆组合的场景向量语义检索pgvector配置 Embedding 模型后维护专用 pgvector 语义种子索引找餐厅这类语义相似查询关键类型定义在 internal/memory/adapters/types.go图与向量索引的健康状态、来源数量、边数量都暴露在记忆状态接口中便于监控。向量索引基于 PostgreSQL 的 pgvector 扩展数据库迁移文件位于 db/pgvector/migrations/本地存储则保持纯图模式零外部依赖。召回后还有一个贴心的上下文打包器context packer默认每轮注入 6 条记忆片段、总量不超过 1800 字符可通过context_target_items、context_max_total_chars调节既保证相关性又不挤占宝贵的上下文窗口。核心技术三可插拔的多后端记忆架构Memoh 的记忆系统采用Provider 注册表设计见 internal/memory/adapters/service.go 与 internal/memory/adapters/registry.go内置三种记忆后端按需切换Built-in内置开箱即用图召回 pgvector 语义索引 Markdown 知识库见 internal/memory/wikistore/数据完全自托管Mem0对接 Mem0 SaaS 的成熟记忆方案填 API Key 即用OpenViking第三方记忆后端适配internal/memory/adapters/openviking/所有 Provider 共享统一的Add / Search / Update / Delete / Compact接口这意味着切换后端不影响 Agent 侧的记忆工具调用。作用域隔离同样精细记忆默认挂在 Bot 级别的共享命名空间下也支持 Agent 级与单次 Run 级的作用域bot_id/agent_id/run_id多 Agent 协作时互不串味。此外系统还提供**记忆压缩Memory Compact**能力当记忆条数过多时可用 LLM 将碎片化记忆语义合并、衰减淘汰保持记忆库精简高效。在会话中如何使用长期记忆对普通用户来说Memoh 的记忆基本是无感的但 Agent 拥有主动操作记忆的工具search_memoryAgent 判断当前问题需要历史背景时主动检索长期记忆create_memory外部运行时如你托管的 Claude Code、Codex通过该工具把自己的事实写入记忆库你也可以通过聊天指令查看与管理记忆命令处理逻辑位于 internal/command/memory.go。记忆注入发生在发送请求前BeforeChat 钩子把检索结果格式化后注入对话而事实沉淀发生在收到回复后AfterChat 钩子触发形成管线两个时机互不阻塞。延伸阅读如果你关心长会话下的上下文组装与压缩Compaction如何与记忆系统协同推荐阅读设计文档 docs/design/context-memory-scheduling.md。总结Memoh 长期记忆系统的 3 大核心技术#技术一句话价值1LLM 自动事实提取 ADD/UPDATE 决策管线对话即沉淀记忆自维护、可溯源2图召回 pgvector 向量混合检索关联记忆与语义相似都能找得回3Provider 可插拔多后端架构自托管或 Mem0 云一键切换不换调用方式这就是 Memoh 每个 Agent 都有自己的长期记忆的实现全貌——从记忆写入、结构化存储到智能召回形成完整闭环让你的 AI Agent 真正做到跨会话过目不忘。【免费下载链接】Memoh✨ The open-source multi-agent platform. Every agent gets its own computer, desktop, network, and long-term memory. You can bring your own key, or host your coding agent like Claude Code, Codex and so on.项目地址: https://gitcode.com/gh_mirrors/me/Memoh创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
