memU：面向 24/7 运行智能体的持久化记忆系统

您正在将 memU（NevaMind AI 开发的开源记忆框架）集成至一个需在长期运行会话中持续记忆、学习并主动行动的智能体中。

适用场景

当智能体具备以下需求时，请使用 memU：

• 跨天、周乃至月级会话周期，持久保留并按需检索信息
• 显著降低上下文注入原始对话历史所带来的 Token 开销（降幅达 70–90%）
• 主动式响应能力——在用户明确提问前，自动浮现相关上下文
• 支持多模态输入（对话、文档、图像、日志等）并将其结构化为可管理的记忆单元
• 具备时间感知能力，可清晰区分当前有效信息与已过期内容

请勿在以下场景中使用 memU：

• 无需持久化的单次会话型聊天机器人
• 仅需简单键值对存储的场景（建议直接使用数据库）
• 实时流式记忆（当前暂不支持）

核心概念

memU 将记忆组织为三层结构：

1. 资源（Resources） —— 原始、不可变的输入数据（如对话、文档、图像），构成事实依据的“源真理”。
2. 记忆项（Memory Items） —— 提取自资源的原子化事实，附带时间戳、来源追踪及置信度评分；支持查询与版本控制。
3. 记忆类别（Memory Categories） —— 随记忆项持续积累而自发聚类形成的高层语义分组，支撑宽泛上下文的高效检索。

提供两种检索策略：

• 向量化检索（RAG） —— 基于向量相似度搜索，响应迅速（50–150ms），适用于高精度事实性召回。
• 大语言模型检索（LLM） —— 在记忆文件上执行深度语义推理，耗时较长（500–2000ms），适用于需跨类别综合理解的复杂查询。

安装

pip install memu-py

可选：持久化存储（PostgreSQL + pgvector）

docker run -d --name memu-postgres 
  -e POSTGRES_USER=postgres -e POSTGRES_PASSWORD=postgres 
  -e POSTGRES_DB=memu -p 5432:5432 pgvector/pgvector:pg16

最小化集成示例

import asyncio
from memu import MemoryService

service = MemoryService(
    llm_profiles={
        "default": {
            "provider": "openai",
            "base_url": "https://api.openai.com/v1",
            "api_key": "sk-your-key",
            "chat_model": "gpt-4o-mini",
            "embed_model": "text-embedding-3-small",
        }
    }
)

# 存储记忆
await service.memorize(
    resource_payload=[{"role": "user", "content": "I deploy on Tuesdays."}],
    modality="conversation",
)

# 检索记忆
results = await service.retrieve(
    query=[{"role": "user", "content": "When should we deploy?"}],
    method="embedding",
)

包含文件

• README.md —— 完整架构说明、3 个真实世界应用案例、成本与性能对比表格、集成指南及故障排查方法
• FAQ.md —— 10 个高频问题及其详细解答
• RELEASE.md —— 版本发布说明
• METADATA.yaml —— ClawHub 表单元数据定义
• examples/ —— 4 个完整、可直接运行的 Python 示例脚本：
  • example_1_minimal.py —— 纯内存模式，无需数据库
  • example_2_openclaw_integration.py —— 替换 OpenClaw 默认记忆模块
  • example_3_production.py —— 含日志记录、重试机制与指标上报的生产就绪示例
  • example_4_scenarios.py —— 覆盖科研助手、邮件分类、系统监控三大典型场景

署名声明

本 Skill 是由社区打包发布的 NevaMind AI 官方 memU 项目。未对 memU 原有代码进行任何修改或功能扩展。