面向智能体的记忆管理工具包, Remember Me, Refine Me.
⭐ 喜欢 ReMe 吗？给仓库点个 Star，让更多开发者发现记忆驱动的智能体。
English | 简体中文
---
ReMe 为智能体提供统一的记忆系统——支持在用户、任务与智能体之间提取、复用与共享记忆。
```
个人记忆 Personal + 任务记忆 Task + 工具记忆 Tool = 智能体记忆 Agent Memory
```
个人记忆用于“理解用户偏好”，任务记忆用于“提升任务表现”，工具记忆用于“更聪明地使用工具”。
---
## 🚀 为什么团队选择 ReMe
- **快速打造更聪明的智能体**：内置记忆能力和可配置流程，即插即用。
- **显著提升成功率**：在工具使用与多轮任务中验证最高可带来 **15%**+ 的效果提升（详见实验）。
- **统一管理可扩展**：跨用户、任务、工具的记忆一体化，再也不用手工维护向量库。
- **部署方式灵活**：HTTP 服务、MCP 协议、Python 直连，统一配置即可复用。
- **团队协作友好**：内置记忆库、审计留痕与指南生成，让智能体决策可复盘。
> 快速试用下方的 Quick Start，如果 ReMe 帮你节省时间或 Token，别忘了点个 ⭐。
---
## ✨ 架构设计
ReMe 集成三类互补的记忆能力：
#### 🧠 任务记忆 / 经验记忆
可在不同智能体之间复用的程序性知识
- 成功模式识别：总结有效策略与其原理
- 失败分析学习：吸取错误避免重复
- 对比式记忆：多采样轨迹带来更有价值的经验
- 验证机制：通过验证模块确认经验有效性
详见文档：[任务记忆](docs/task_memory/task_memory.md)
#### 👤 个人记忆
面向特定用户的情境化记忆
- 个体偏好：习惯、偏好、交互风格
- 情境自适应：基于时间与上下文的智能管理
- 渐进式学习：长期交互中逐步深入理解
- 时间敏感：在检索与整合中考虑时间因素
详见文档：[个人记忆](docs/personal_memory/personal_memory.md)
#### 🔧 工具记忆
基于数据的工具选择与使用优化
- 历史表现追踪：成功率、耗时与 Token 成本
- LLM-as-Judge：为什么成功/失败的定性洞察
- 参数优化：从成功调用中学习最优参数
- 动态指南：将静态工具描述转为可演化的“活文档”
详见文档：[工具记忆](docs/tool_memory/tool_memory.md)
---
## 📰 最新进展
- [2025-10] 直接 Python 导入：`from reme_ai import ReMeApp`，无需 HTTP/MCP 服务
- [2025-10] 工具记忆：数据驱动的工具选择与参数优化（见指南 docs/tool_memory/tool_memory.md）
- [2025-09] 支持异步操作，已集成至 agentscope-runtime
- [2025-09] 集成任务记忆与个人记忆
- [2025-09] 在 Appworld、BFCL(v3)、FrozenLake 验证有效性（见 docs/cookbook）
- [2025-08] 支持 MCP 协议（见 docs/mcp_quick_start.md）
- [2025-06] 多后端向量库（Elasticsearch 与 ChromaDB）（见 docs/vector_store_api_guide.md）
- [2024-09] 个性化与时间敏感的记忆存储
---
## 🛠️ 安装
### 通过 PyPI 安装（推荐）
```bash
pip install reme-ai
```
### 从源码安装
```bash
git clone https://github.com/agentscope-ai/ReMe.git
cd ReMe
pip install .
```
### 环境变量配置
复制 `example.env` 为 `.env` 并按需修改：
```bash
FLOW_LLM_API_KEY=sk-xxxx
FLOW_LLM_BASE_URL=https://xxxx/v1
FLOW_EMBEDDING_API_KEY=sk-xxxx
FLOW_EMBEDDING_BASE_URL=https://xxxx/v1
```
---
## 🚀 快速开始
### 启动 HTTP 服务
```bash
reme \
backend=http \
http.port=8002 \
llm.default.model_name=qwen3-30b-a3b-thinking-2507 \
embedding_model.default.model_name=text-embedding-v4 \
vector_store.default.backend=local
```
### 启动 MCP Server
```bash
reme \
backend=mcp \
mcp.transport=stdio \
llm.default.model_name=qwen3-30b-a3b-thinking-2507 \
embedding_model.default.model_name=text-embedding-v4 \
vector_store.default.backend=local
```
### 核心 API 用法
#### 任务记忆管理
```python
import requests
# 经验总结：从执行轨迹中学习
response = requests.post("http://localhost:8002/summary_task_memory", json={
"workspace_id": "task_workspace",
"trajectories": [
{"messages": [{"role": "user", "content": "Help me create a project plan"}], "score": 1.0}
]
})
# 记忆检索：获取相关经验
response = requests.post("http://localhost:8002/retrieve_task_memory", json={
"workspace_id": "task_workspace",
"query": "How to efficiently manage project progress?",
"top_k": 1
})
```
详情可见同页下方 Python 导入 / curl / Node.js 示例，接口参数与英文版一致。
#### 个人记忆管理
```python
# 记忆整合：从用户交互中学习
response = requests.post("http://localhost:8002/summary_personal_memory", json={
"workspace_id": "task_workspace",
"trajectories": [
{"messages":
[
{"role": "user", "content": "I like to drink coffee while working in the morning"},
{"role": "assistant",
"content": "I understand, you prefer to start your workday with coffee to stay energized"}
]
}
]
})
# 记忆检索：获取个人记忆片段
response = requests.post("http://localhost:8002/retrieve_personal_memory", json={
"workspace_id": "task_workspace",
"query": "What are the user's work habits?",
"top_k": 5
})
```
#### 工具记忆管理
```python
import requests
# 记录工具调用结果
response = requests.post("http://localhost:8002/add_tool_call_result", json={
"workspace_id": "tool_workspace",
"tool_call_results": [
{
"create_time": "2025-10-21 10:30:00",
"tool_name": "web_search",
"input": {"query": "Python asyncio tutorial", "max_results": 10},
"output": "Found 10 relevant results...",
"token_cost": 150,
"success": True,
"time_cost": 2.3
}
]
})
# 从历史生成使用指南
response = requests.post("http://localhost:8002/summary_tool_memory", json={
"workspace_id": "tool_workspace",
"tool_names": "web_search"
})
# 在使用前检索指南
response = requests.post("http://localhost:8002/retrieve_tool_memory", json={
"workspace_id": "tool_workspace",
"tool_names": "web_search"
})
```
---
## 📦 开箱即用的记忆库
ReMe 提供可直接使用的记忆文件，内含已验证的最佳实践：
### 可用记忆
- `appworld.jsonl`：Appworld 交互记忆，覆盖复杂任务规划与执行
- `bfcl_v3.jsonl`：BFCL 工具调用工作记忆
### 快速使用
```python
# 加载内置记忆
response = requests.post("http://localhost:8002/vector_store", json={
"workspace_id": "appworld",
"action": "load",
"path": "./docs/library/"
})
# 查询相关记忆
response = requests.post("http://localhost:8002/retrieve_task_memory", json={
"workspace_id": "appworld",
"query": "How to navigate to settings and update user profile?",
"top_k": 1
})
```
---
## 🧪 实验结果
### 🌍 Appworld 实验（qwen3-8b）
| 方法 | pass@1 | pass@2 | pass@4 |
|----------------|-------------------|-------------------|-------------------|
| 无 ReMe | 0.083 | 0.140 | 0.228 |
| 使用 ReMe | 0.109（+2.6%） | 0.175（+3.5%） | 0.281（+5.3%） |
Pass@K 衡量在生成 K 个候选中至少一个成功完成任务（score=1）的概率。
当前实验使用内部 AppWorld 环境，可能存在轻微差异。复现实验详见 `docs/cookbook/appworld/quickstart.md`。
### 🧊 FrozenLake 实验（qwen3-8b，100 张随机地图）
| 方法 | 通过率 |
|----------------|------------------|
| 无 ReMe | 0.66 |
| 使用 ReMe | 0.72（+6.0%） |
### 🔧 工具记忆基准（Qwen3-30B-Instruct）
| 场景 | 平均分 | 提升 |
|-----------------------|--------|----------|
| 训练集（无记忆） | 0.650 | - |
| 测试集（无记忆） | 0.672 | 基线 |
| 测试集（使用记忆） | 0.772 | +14.88% |
关键结论：
- 工具记忆可基于历史表现进行数据驱动的工具选择
- 通过学习参数配置，成功率提升约 15%
更多细节见 `docs/tool_memory/tool_bench.md` 与实现 `cookbook/tool_memory/run_reme_tool_bench.py`。
---
## 📚 资源
- 快速上手：`./cookbook/simple_demo`
- 工具记忆演示：`cookbook/simple_demo/use_tool_memory_demo.py`
- 工具记忆基准：`cookbook/tool_memory/run_reme_tool_bench.py`
- 向量库配置指南：`docs/vector_store_api_guide.md`
- MCP 使用指南：`docs/mcp_quick_start.md`
- 个人记忆 / 任务记忆 / 工具记忆的运算符说明与可配置流程：见 `docs/personal_memory`、`docs/task_memory`、`docs/tool_memory`
- 案例集：`./cookbook`
---
## ⭐ 社区与支持
- **Star & Watch**：Star 可以让更多智能体开发者发现 ReMe，Watch 能及时收到更新。
- **分享你的成果**：在 Issues 或 Discussions 中展示 ReMe 带来的提升，我们乐于推荐优秀案例。
- **想要新功能？** 提交需求或 PR，我们一起把记忆系统做得更强大。
---
## 🤝 参与贡献
我们相信最好的记忆系统来自群体智慧。欢迎贡献 👉 文档见 `docs/contribution.md`。
### 代码贡献
- 新操作与工具开发
- 后端实现与性能优化
- API 增强与新端点
### 文档改进
- 使用示例与教程
- 最佳实践指南
---
## 📄 引用
```bibtex
@software{AgentscopeReMe2025,
title = {AgentscopeReMe: Memory Management Kit for Agents},
author = {Li Yu, Jiaji Deng, Zouying Cao},
url = {https://reme.agentscope.io},
year = {2025}
}
```
---
## ⚖️ 许可证
本项目基于 Apache License 2.0 开源，详见 [LICENSE](./LICENSE)。
---
## Star 历史
[](https://www.star-history.com/#modelscope/ReMe&Date)