docs: refine ReMe launch blog (#440)

Co-authored-by: jinli.yl <jinli.yl@alibaba-inc.com>
2026-08-28 05:25:04 +00:00 · 2026-08-10 18:45:06 +08:00 · 2026-08-10 18:45:06 +08:00 · 5a5855f5ff
commit 5a5855f5ff
parent 072cb6a55b
4 changed files with 188 additions and 116 deletions
--- a/docs/figure/reme-blog/reme-blog-auto-resource.svg
+++ b/docs/figure/reme-blog/reme-blog-auto-resource.svg
--- a/docs/figure/reme-blog/reme-blog-cover-benchmark.png
+++ b/docs/figure/reme-blog/reme-blog-cover-benchmark.png
--- a/docs/figure/reme-blog/reme-blog-cover-benchmark.svg
+++ b/docs/figure/reme-blog/reme-blog-cover-benchmark.svg
@ -0,0 +1,47 @@
+<svg xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" width="1680" height="973" viewBox="0 0 1680 973" role="img" aria-labelledby="title desc">
+  <title id="title">ReMe Hero and Public Benchmark Results</title>
+  <desc id="desc">ReMe self-evolving personal knowledge base hero with LongMemEval 89.4%, BEAM 100K 66.1%, and BEAM 1M 65.0% results.</desc>
+  <defs>
+    <linearGradient id="glass" x1="0" y1="0" x2="1" y2="0">
+      <stop offset="0" stop-color="#171b25" stop-opacity="0.96"/>
+      <stop offset="0.58" stop-color="#202530" stop-opacity="0.94"/>
+      <stop offset="1" stop-color="#252b36" stop-opacity="0.92"/>
+    </linearGradient>
+    <filter id="shadow" x="-20%" y="-30%" width="140%" height="180%">
+      <feDropShadow dx="0" dy="-8" stdDeviation="16" flood-color="#000" flood-opacity="0.16"/>
+    </filter>
+    <style>
+      .sans{font-family:Arial,sans-serif}
+      .eyebrow{font-size:17px;font-weight:750;letter-spacing:2px;fill:#ffad61}
+      .metric{font-size:49px;font-weight:900;letter-spacing:-1.5px;fill:#fff}
+      .label{font-size:17px;font-weight:720;fill:#fff}
+      .small{font-size:14px;font-weight:520;fill:#d0d5dd}
+    </style>
+  </defs>
+  <image xlink:href="reme-blog-cover.png" x="0" y="0" width="1680" height="973" preserveAspectRatio="xMidYMid slice"/>
+  <rect x="0" y="711" width="1680" height="262" fill="url(#glass)" filter="url(#shadow)"/>
+  <g class="sans">
+    <text class="eyebrow" x="84" y="765">PUBLIC BENCHMARK RESULTS</text>
+    <text class="small" x="84" y="798">Agentic scores across multi-session and long-context settings</text>
+
+    <line x1="84" y1="829" x2="1596" y2="829" stroke="#fff" stroke-opacity="0.17"/>
+
+    <text class="metric" x="84" y="898">89.4%</text>
+    <text class="label" x="277" y="875">LongMemEval cleaned-s</text>
+    <text class="small" x="277" y="903">500 questions · cross-session retrieval</text>
+
+    <line x1="590" y1="852" x2="590" y2="923" stroke="#fff" stroke-opacity="0.18"/>
+
+    <text class="metric" x="650" y="898">66.1%</text>
+    <text class="label" x="833" y="875">BEAM 100K</text>
+    <text class="small" x="833" y="903">20 cases · 400 questions</text>
+
+    <line x1="1080" y1="852" x2="1080" y2="923" stroke="#fff" stroke-opacity="0.18"/>
+
+    <text class="metric" x="1140" y="898">65.0%</text>
+    <text class="label" x="1323" y="875">BEAM 1M</text>
+    <text class="small" x="1323" y="903">35 cases · 700 questions</text>
+
+    <text x="1596" y="950" text-anchor="end" style="font-size:12px;font-weight:520;fill:#98a2b3">Scores from different benchmarks are not compared directly</text>
+  </g>
+</svg>
--- a/docs/zh/reme-blog.md
+++ b/docs/zh/reme-blog.md
@ -10,15 +10,14 @@

 这正是 ReMe 想解决的事情。

-> **ReMe 是一个面向 AI Agent 的、自进化的个人知识库。它让对话与资料持续沉淀为可读、可编辑、可检索、相互链接的 Markdown
-记忆，并主动发现潜在兴趣。**
+> **ReMe 是一个面向 AI Agent 的、local-first 的自进化个人知识库。它让对话与资料持续沉淀为可读、可编辑、可检索、相互链接的 Markdown 记忆，并从中提炼值得继续关注的线索。**

 项目地址：[https://github.com/agentscope-ai/ReMe](https://github.com/agentscope-ai/ReMe)

 项目文档：[https://docs.agentscope.io/reme](https://docs.agentscope.io/reme)

 <p align="center">
-  <img src="../figure/reme-blog/reme-blog-cover.png" alt="ReMe 自进化个人知识库" width="100%">
+  <img src="../figure/reme-blog/reme-blog-cover-benchmark.png" alt="ReMe 自进化个人知识库与公开基准结果" width="100%">
 </p>

 ## 一个会持续生长的记忆循环
@ -27,35 +26,23 @@
  <img src="../figure/reme-blog/reme-blog-architecture.svg" alt="ReMe 自进化记忆循环" width="100%">
 </p>

-ReMe 不是另一个聊天机器人，也不试图替代你正在使用的 Agent。它更像一个可以被 QwenPaw、OpenClaw、Hermes、Claude Code 等 Agent
-共享的本地记忆层。
+ReMe 不是另一个聊天机器人，也不试图替代你正在使用的 Agent。它更像一个可以被 QwenPaw、OpenClaw、Hermes、Claude Code 等 Agent 共享的本地记忆层。

 它围绕一套普通文件，完成四件事：

+- Auto Memory 从对话中提炼值得保留的信息；
+- Auto Resource 将外部资料整理为可追溯的记忆；
+- Auto Dream 把每日记忆进一步整合为长期知识；
+- Index、Search 和 Proactive 让旧记忆重新回到新的任务中。
+
 这形成了一个 `capture → index → consolidate → recall` 的循环：

 - 对话和外部资料先被保留下来；
 - 有价值的信息被整理为每日记忆；
 - 零散事件进一步合并为长期知识节点；
- 搜索、知识链接和主动兴趣发现，让旧记忆重新回到新的任务中。
+- 搜索、知识链接和兴趣发现，让旧记忆重新参与未来的思考。

-更重要的是，这个循环的中心不是一个用户看不见的黑盒数据库，而是用户自己拥有的 Markdown 文件。索引、图谱和缓存都只是可重建的派生状态。
-
-## 再看结果：它真的能从很长的历史里找回信息吗？
-
-个人知识库可以写出很多漂亮的概念，但最终还是要回答一个朴素的问题：当对话越来越多、跨度越来越长时，Agent 还能不能找到正确的记忆？
-
-ReMe 在 LongMemEval 和 BEAM 两套长期记忆基准上进行了验证。LongMemEval 关注跨会话信息能否被准确找回和推理；BEAM
-则把超长对话切成多批会话，观察上下文规模扩大后，记忆能力是否仍然稳定。
-
-| 基准                      | 规模或题型    |                样本量 | Agentic 得分 | 主要检验内容与结果                                        |
-|---------------------------|---------------|----------------------:|-------------:|-----------------------------------------------------------|
-| **LongMemEval cleaned-s** | **整体**      |            **500 题** |    **89.4%** | **验证跨会话检索、知识更新和时间推理能力**                |
-| BEAM                      | 100K 上下文   |     20 cases / 400 题 |        66.1% | 在十类长上下文任务上建立基准表现                          |
-| **BEAM**                  | **1M 上下文** | **35 cases / 700 题** |    **65.0%** | **上下文扩大到 10 倍后，Agentic 得分仅下降 1.1 个百分点** |
-
-两套基准的任务、评分器和实验设置不同，分数不能直接横向比较。但结果共同表明，ReMe
-能通过外部记忆与多轮搜索，支撑知识更新、多会话推理和长跨度检索，而不需要把全部历史一次性塞进上下文窗口。
+更重要的是，这个循环的中心不是一个用户看不见的黑盒数据库，而是用户自己拥有的文件。索引、图谱和缓存都只是可重建的派生状态。

 ## Memory as File：记忆首先是你的文件

@ -63,13 +50,11 @@ ReMe 在 LongMemEval 和 BEAM 两套长期记忆基准上进行了验证。LongM
  <img src="../figure/reme-blog/reme-blog-memory-as-file.svg" alt="ReMe Memory as File" width="100%">
 </p>

-ReMe 的核心设计叫作： **Memory as File, File as Memory。**
+ReMe 的核心设计叫作：**Memory as File, File as Memory。**

-“Memory as File”意味着，长期记忆不是藏在产品内部，而是落在 workspace 里的 Markdown、JSONL、YAML 和原始资源文件中。你可以用 VS
-Code、Typora 或 Obsidian 直接打开，也可以用 Git、网盘或自己的同步方案备份和迁移。
+“Memory as File”意味着，长期记忆不是藏在产品内部，而是落在 workspace 里的 Markdown、JSONL、YAML 和原始资源文件中。你可以用 VS Code、Typora 或 Obsidian 直接打开，也可以用 Git、网盘或自己的同步方案备份和迁移。

-“File as Memory”意味着，每个文件又不只是普通文本。它可以带有 YAML frontmatter、章节结构、行号范围和
-Wikilink，成为一个可索引、可连接、可继续演化的记忆节点。
+“File as Memory”意味着，每个文件又不只是普通文本。它可以带有 YAML frontmatter、章节结构、行号范围和 Wikilink，成为一个可索引、可连接、可继续演化的记忆节点。

 例如，一条关于写作偏好的长期记忆可以是：

@ -105,8 +90,7 @@ kind: preference

 > “这周先不要重构登录模块，客户演示之后再做。上次直接升级依赖导致兼容问题，这次先补回归测试。”

-这段话里同时包含了项目状态、时间约束、一次失败经验和后续行动。Auto Memory 会把它从聊天流水中提炼出来，写成当天的一张 daily
-记忆卡片；原始对话则继续保存在 `session/dialog/` 中。
+这段话里同时包含了项目状态、时间约束、一次失败经验和后续行动。Auto Memory 会把它从聊天流水中提炼出来，写成当天的一张 daily 记忆卡片；原始对话则继续保存在 `session/dialog/` 中。

 ```text
 session/dialog/project-a.jsonl       原始对话，负责可信
@ -118,18 +102,38 @@ daily/2026-08-07.md                  当天索引，负责总览

 它像一位一直在场的记录者，但不是机械地抄写逐字稿，而是把“以后还会用到什么”整理出来。

+## Auto Resource：让外部资料进入同一套记忆系统
+
+<p align="center">
+  <img src="../figure/reme-blog/reme-blog-auto-resource.svg" alt="ReMe Auto Resource 将外部资料整理为可追溯的个人记忆" width="100%">
+</p>
+
+并不是所有有价值的信息都来自对话。研究资料、项目文档、会议纪要、网页存档和结构化数据，同样可能成为个人知识库的一部分。
+
+Auto Resource 提供了一条更通用的外部资料入口。资料进入 `resource/` 后，ReMe 保留原文，再把主题、关键事实和可行动信息整理为带有 `source_resource` 链接的 daily 卡片。当前可以处理 Markdown、纯文本、JSON、JSONL、CSV、YAML 和 HTML 等文本类资料。
+
+这意味着，Auto Memory 负责从对话建立个人知识，Auto Resource 负责从非对话资料建立个人知识。两条输入最终进入同一个 daily 记忆层，再由 ReMe 统一索引、整合和检索。
+
+### Daily Paper：外部资料工作流的一个例子
+
+Daily Paper 是建立在这套文件化记忆之上的可选 Cookbook。它会从 Hugging Face Papers 的周榜和月榜收集论文，去除近期已经推荐过的内容，排序后精选三篇，保存 PDF，并生成中文论文笔记与一份约五分钟可读完的简报。
+
+想象一下，你持续关注 Agent Memory：每天早上收到的不只是三个论文链接，而是三篇已经保存到本地的详细笔记。简报通过 Wikilink 指向原始笔记，原始笔记又能回到 PDF。一个月后再问“最近有哪些方法在做长期记忆压缩”，这些材料已经进入同一套检索系统，不需要重新从浏览器历史里寻找。
+
+Daily Paper 展示了 Auto Resource 可以怎样被组合成具体工作流，但外部资料入口并不局限于论文。
+
 ## Auto Dream：让日记长成相互连接的长期知识

 <p align="center">
-  <img src="../figure/reme-blog/reme-blog-auto-dream.svg" alt="ReMe Auto Dream 从 Daily 抽取、分类并整合长期知识，同时写入 Wikilink" width="100%">
+  <img src="../figure/reme-blog/reme-blog-auto-dream.svg" alt="ReMe Auto Dream 从 daily 抽取、分类并整合长期知识，同时写入 Wikilink" width="100%">
 </p>

 日记多了，新的问题也会出现：信息虽然都在，却仍然散落在不同日期里。

-假设你先后聊过三次同一个问题：
+假设你先后从对话和外部资料中得到三条关于同一个问题的信息：

 - 第一次排查构建卡死，清缓存无效；
- 第二次发现根因是 Node 内存不足；
+- 第二次在项目文档中确认根因是 Node 内存不足；
 - 第三次又补充了大型 TypeScript 项目下更容易触发这个问题。

 Auto Dream 会一起扫描发生变化的 daily 文件，合并表达同一抽象的证据，只保留值得复用的记忆单元，再按内容写入三类长期记忆：
@ -138,7 +142,7 @@ Auto Dream 会一起扫描发生变化的 daily 文件，合并表达同一抽
 - `Procedure`：可以再次执行的流程、方法和排查手册；
 - `Wiki`：通用的定义、原则、观察和知识。

-例如，上面的三次对话会被整理为 `digest/procedure/前端构建卡死排查.md`，包含触发条件、排查顺序、无效尝试、解决方法和适用边界，而不是三篇日记的简单拼接。
+例如，上面的信息会被整理为 `digest/procedure/前端构建卡死排查.md`，包含触发条件、排查顺序、无效尝试、解决方法和适用边界，而不是几篇日记的简单拼接。

 整合每个记忆单元时，Auto Dream 会先跨 `personal`、`procedure` 和 `wiki` 搜索已有节点，区分“同一抽象”和“相关知识”。同一抽象决定如何演化目标节点：

@ -160,31 +164,13 @@ Auto Dream 会一起扫描发生变化的 daily 文件，合并表达同一抽

 知识的演化与链接发生在同一条流程里。关系不是藏在图数据库里的不可见边，而是正文中可读、可改的内容；文件可以重建图，图不会反过来绑架文件。

-## Auto Resource：持续吸收外部资料
-
-<p align="center">
-  <img src="../figure/reme-blog/reme-blog-auto-resource.svg" alt="ReMe Auto Resource 当前包含 Daily Paper，未来将扩展到金融新闻和雪球、微博等更多外部来源" width="100%">
-</p>
-
-Auto Resource 让外部信息不断进入用户自己拥有的知识库，成为可以回查、检索和复用的材料。目前它处于 Beta，只包含 Daily
-Paper。未来还会持续加入更多资源工作流，例如用户感兴趣的金融新闻、雪球或微博大 V 的公开内容等，让个人知识库被持续关注的外部知识不断丰富。这些目前仍是扩展方向，并非已经上线的能力。
-
-### Daily Paper：每天把论文推荐变成可检索的阅读记忆
-
-Daily Paper 会从 Hugging Face 周榜和月榜收集论文，去除近期已经推荐过的内容，再进行排序、精选和 PDF
-解读，生成中文论文笔记与一份约五分钟可读完的简报。
-
-想象一下，你持续关注 Agent Memory：每天早上收到的不只是五个论文链接，而是五篇已经保存到本地的详细笔记。简报通过 Wikilink
-指向原始笔记，原始笔记又能回到 PDF。一个月后再问“最近有哪些方法在做长期记忆压缩”，这些材料已经进入同一套检索系统，不需要重新从浏览器历史里寻找。
-
 ## Memory Index：普通文件，如何变成可搜索的记忆网络？

 <p align="center">
  <img src="../figure/reme-blog/reme-blog-memory-index.svg" alt="ReMe Memory Index 构建过程" width="100%">
 </p>

-Markdown 适合人读，但如果只是把文件堆进目录，Agent 仍然很难快速找到它们。ReMe 会持续监听 `daily/`、`digest/` 和 `resource/`
-，将新增、修改和删除同步到可重建的索引中。
+Markdown 适合人读，但如果只是把文件堆进目录，Agent 仍然很难快速找到它们。ReMe 会持续监听 `daily/`、`digest/` 和 `resource/`，将新增、修改和删除同步到可重建的索引中。

 一份 Markdown 会被解析为：

@ -194,14 +180,13 @@ Markdown 适合人读，但如果只是把文件堆进目录，Agent 仍然很

 在检索侧，ReMe 可以组合三类信号：

-| 检索信号       | 解决的问题                         | 例子                               |
-|----------------|------------------------------------|------------------------------------|
-| BM25 关键词    | 精确名称、术语和编号不能丢         | “宁德时代”“issue #184”             |
-| Embedding 向量 | 用户换了一种说法，也要理解语义接近 | “构建卡死”与“打包阶段没有响应”     |
-| Wikilink 图谱  | 命中一个节点后，看到它的上下游关系 | 从“钴”找到“三元正极”和相关调研记录 |
+| 检索信号 | 解决的问题 | 例子 |
+|---|---|---|
+| BM25 关键词 | 精确名称、术语和编号不能丢 | “宁德时代”“issue #184” |
+| Embedding 向量 | 用户换了一种说法，也要理解语义接近 | “构建卡死”与“打包阶段没有响应” |
+| Wikilink 图谱 | 命中一个节点后，看到它的上下游关系 | 从“钴”找到“三元正极”和相关调研记录 |

-默认配置开箱启用 BM25 与 Wikilink 展开，Embedding 是可选能力，开启后才会参与向量召回。索引、图谱和缓存都写在 `metadata/`
-，即使删除也可以根据用户的源文件重新构建。
+默认配置开箱启用 BM25 与 Wikilink 展开，Embedding 是可选能力，开启后才会参与向量召回。索引、图谱和缓存都写在 `metadata/`，即使删除也可以根据用户的源文件重新构建。

 ## Memory Search：先找到答案，再沿着关系渐进展开

@ -209,11 +194,9 @@ Markdown 适合人读，但如果只是把文件堆进目录，Agent 仍然很
  <img src="../figure/reme-blog/reme-blog-memory-search.svg" alt="ReMe 混合搜索与渐进式展开" width="100%">
 </p>

-很多 RAG 系统会一次性把 Top-K 文本全部塞进上下文。这样做简单，却容易带来两个问题：孤立切片缺少上下文，而把邻居正文全部展开又会迅速消耗
-token。
+很多 RAG 系统会一次性把 Top-K 文本全部塞进上下文。这样做简单，却容易带来两个问题：孤立切片缺少上下文，而把邻居正文全部展开又会迅速消耗 token。

-ReMe 的混合搜索先让 BM25 与可选的向量检索各自召回候选，再使用 RRF 按排名融合。RRF 不强行比较 BM25
-分数与余弦相似度这两种不同量纲，而是综合一个结果在两张榜单中的位置。
+ReMe 的混合搜索先让 BM25 与可选的向量检索各自召回候选，再使用 RRF 按排名融合。RRF 不强行比较 BM25 分数与余弦相似度这两种不同量纲，而是综合一个结果在两张榜单中的位置。

 召回之后，信息按三层渐进式展开：

@ -240,7 +223,7 @@ Agent 不需要把 Alice 的全部档案、所有读书笔记和整个月的日
 到这里，ReMe 已经有了两条不断丰富知识库的输入流：

 - Auto Memory 从持续发生的对话中沉淀个人上下文；
- Auto Resource 通过 Daily Paper 从外部资料中补充新的知识，未来还会支持更多资源工作流。
+- Auto Resource 从外部资料中补充新的知识。

 Proactive 则把方向反过来：它从已经积累的对话和资料中，发现你仍未解决或可能希望继续推进的主题，以及你尚未关注，但却与你近期工作紧密相关的信息。从而反哺输入流，为外部知识的补充指明新的路径。

@ -264,18 +247,36 @@ keywords:

 在未来的beta版本中，上层 Agent将会 通过 Proactive 读取这个主题后，可以选择在合适的时机追问：“要不要把最近讨论过的检索问题整理成一份评测方案？”也可以据此启动一个经过用户授权的资料收集流程。不需要用户思考并显示指定自己的兴趣关键词与范围，与会话中潜在体现需求相关的外部资料也会源源不断进入知识库。

-这里有一个重要边界： **ReMe 的 Proactive 本身只读取并暴露兴趣主题，不会擅自联网、推送或改写知识库。** 是否提醒、何时提醒、是否继续收集资料，由上层
-Agent 和产品策略决定。
+这里有一个重要边界：**ReMe 的 Proactive 本身只读取并暴露兴趣主题，不会擅自联网、推送或改写知识库。** 它不是凭空猜测你的兴趣，而是让那些已经出现在行为和对话中、却还没有被明确表达的线索浮出水面。

-它不是凭空猜测你的需要，而是让那些已经出现在行为和对话中、却还没有被明确表达的线索浮出水面。
+## Performance：它真的能从很长的历史里找回信息吗？
+
+
+ReMe 使用 LongMemEval 和 BEAM 验证多会话与超长对话中的记忆能力。评测时，Agent 可以用 ReAct 方式进行多轮搜索和读取，生成答案后再由 LLM-as-judge 评分。
+
+| 基准 | 设置 | 样本量 | Agentic 得分 | 主要检验内容 |
+|---|---|---:|---:|---|
+| **LongMemEval cleaned-s** | **整体** | **500 题** | **89.4%** | 跨会话检索、知识更新与时间推理 |
+| BEAM | 100K 上下文 | 20 cases / 400 题 | 66.1% | 十类长上下文记忆任务 |
+| BEAM | 1M 上下文 | 35 cases / 700 题 | 65.0% | 更大规模的超长对话设置 |
+
+LongMemEval cleaned-s 包含单会话事实、偏好、多会话推理、知识更新和时间推理等题型。ReMe 在 500 道问题上取得 89.4% 的整体 Agentic 得分。完整流程和分项结果见 [LongMemEval 评测说明](../../benchmark/longmemeval/README_ZH.md)。
+
+BEAM 覆盖矛盾消解、事件排序、信息抽取、知识更新、多会话推理、偏好遵循、摘要和时间推理等十类任务。ReMe 在 100K 设置下的 20 cases / 400 题上取得 66.1%，在 1M 设置下的 35 cases / 700 题上取得 65.0%。完整设置见 [BEAM 评测说明](../../benchmark/beam/README_ZH.md)。

 ## ReMe 能帮谁？

-如果你是 **智能体用户**，ReMe 可以让个人助理不再每次都从零认识你。你的偏好、项目背景、重要资料和过去做过的决定，会在持续对话中沉淀下来，并在真正相关的时候被重新找到。更重要的是，这些记忆不是藏在平台账号里的黑盒数据，而是你可以直接查看、修改、移动和删除的 Markdown 文件。
+### 直接使用 Agent 的人

-如果你是 **Agent 或 Harness 开发者**，ReMe 提供了一层可以独立接入的长期记忆基础设施。你可以通过 CLI、HTTP API、MCP Server 或 SDK，让不同 Agent 共享同一个文件化 workspace，而不必为每个应用重新实现记忆抽取、知识整理、混合检索和关系展开。文件是事实来源，索引与缓存可以随时重建，也更容易定位一次错误召回究竟来自原始资料、记忆整理还是检索链路。
+如果你希望 AI 在长期协作中持续了解你，ReMe 可以让个人助理不再每次都从零开始。你的偏好、项目背景、重要资料和过去做过的决定，会在持续对话中沉淀下来，并在真正相关的时候被重新找到。

-如果你是 **研究者、工程师、分析师或重度知识工作者**，ReMe 可以把散落在对话、论文、网页和项目资料中的信息逐步变成个人知识网络。例如，研究者可以每天接收相关论文并连接到已有笔记；工程师可以保留跨项目复用的排障经验；分析师可以持续积累事件、观点与来源，在下一次判断时沿着链接找回依据。
+研究者、工程师、分析师和其他知识工作者都属于这一类直接用户。研究者可以让论文、讨论和阅读笔记彼此连接；工程师可以保留项目决定与跨会话排障经验；分析师可以持续积累事件、观点与来源。职业不同，共同需求都是让 AI 能够理解过去、积累经验，并在下一次任务中找回依据。
+
+### 构建 Agent 的开发者
+
+如果你正在构建 Agent、Harness 或 AI 产品，ReMe 提供了一层可以独立接入的长期记忆基础设施。你可以通过 CLI、HTTP API、MCP Server 或 SDK，让不同 Agent 共享同一个文件化 workspace，而不必为每个应用重新实现记忆抽取、知识整理、混合检索和关系展开。
+
+文件是事实来源，索引与缓存可以随时重建，也更容易定位一次错误召回究竟来自原始资料、记忆整理还是检索链路。

 归根结底，ReMe 适合那些希望 AI 不只“回答这一次”，还能够理解过去、积累经验，并在长期协作中越来越贴近自己的用户和开发者。我们希望 Agent 越用越懂你，但“懂”不应该建立在一个无法查看、无法修正、无法带走的黑盒上。

@ -292,7 +293,7 @@ ReMe 给出的答案很朴素：

 它会在每一次对话后多记住一点，在每一份资料到来后多理解一点，在夜晚把零散经验重新整理，在未来的某个问题出现时，再沿着知识之间的联系，把真正需要的那段记忆带回来。

-这就是 ReMe 想做的事： **让记忆不只被保存，也能持续进化。**
+这就是 ReMe 想做的事：**让记忆不只被保存，也能持续进化。**

 ## 欢迎贡献

@ -306,10 +307,5 @@ ReMe 已经开源，我们也欢迎社区一起把这套自进化记忆系统做

 无论是一段代码、一份使用案例、一次问题反馈，还是一个新的记忆工作流，都可能帮助 ReMe 更接近真正可读、可控、可持续进化的个人知识库。

-项目地址：[https://github.com/agentscope-ai/ReMe](https://github.com/agentscope-ai/ReMe)

-项目文档：[https://docs.agentscope.io/reme](https://docs.agentscope.io/reme)
-
-<p align="center">
-  <img src="../figure/reme_logo.png" alt="ReMe" width="46%">
-</p>
+贡献指南：[https://docs.agentscope.io/reme/latest/en/contribution](https://docs.agentscope.io/reme/latest/en/contribution)