面向智能体的记忆管理工具包，Remember Me, Refine Me.
> 老版本请参阅 [0.2.x 版本文档](docs/README_0_2_x_ZH.md)
---
🧠 ReMe 是一个专为 **AI 智能体** 打造的记忆管理框架，同时提供基于文件系统和基于向量库的记忆系统。
它解决智能体记忆的两类核心问题：**上下文窗口有限**（长对话时早期信息被截断或丢失）、**会话无状态**（新对话无法继承历史，每次从零开始）。
ReMe 让智能体拥有**真正的记忆力**——旧对话自动浓缩，重要信息持久保存，下次对话自动想起来。
---
## 📁 基于文件的 ReMe
> 记忆即文件，文件即记忆
将**记忆视为文件**——可读、可编辑、可复制。
| 传统记忆系统 | File Based ReMe |
|-----------|-----------------|
| 🗄️ 数据库存储 | 📝 Markdown 文件 |
| 🔒 不可见 | 👀 随时可读 |
| ❌ 难修改 | ✏️ 直接编辑 |
| 🚫 难迁移 | 📦 复制即迁移 |
```
.reme/
├── MEMORY.md # 长期记忆：用户偏好、项目配置等不常变的信息
└── memory/
└── YYYY-MM-DD.md # 每日日志：当天的工作记录，压缩时自动写入
```
### 核心能力
[ReMe File Based](reme/reme_fb.py) 是基于文件的记忆系统的核心类，就像一个**智能秘书**，帮你管理所有记忆相关的事务：
| 方法 | 功能 | 关键组件 |
|-----------------|--------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| `start` | 🚀 启动记忆系统 | [BaseFileStore](reme/core/file_store/base_file_store.py)（本地文件store）
[BaseFileWatcher](reme/core/file_watcher/base_file_watcher.py)（文件监控）
[BaseEmbeddingModel](reme/core/embedding/base_embedding_model.py)（Embedding 缓存） |
| `close` | 📕 关闭并保存 | 关闭文件store、停止文件监控、保存 Embedding 缓存 |
| `context_check` | 📏 检查上下文是否超限 | [ContextChecker](reme/memory/file_based/fb_context_checker.py) |
| `compact` | 📦 压缩历史对话为摘要 | [Compactor](reme/memory/file_based/fb_compactor.py) |
| `summary` | 📝 将重要记忆写入文件 | [Summarizer](reme/memory/file_based/fb_summarizer.py) |
| `memory_search` | 🔍 语义搜索记忆 | [MemorySearch](reme/memory/tools/chunk/memory_search.py) |
| `memory_get` | 📖 读取指定记忆文件 | [MemoryGet](reme/memory/tools/chunk/memory_get.py) |
## 🗃️ 基于向量库的 ReMe
[ReMe Vector Based](reme/reme.py) 是基于向量库的记忆系统核心类，支持三种记忆类型的统一管理：
| 记忆类型 | 用途 | 使用场景 |
|--------------|------------------|-------------|
| **个人记忆** | 记录用户偏好、习惯 | `user_name` |
| **任务/程序性记忆** | 记录任务执行经验、成功/失败模式 | `task_name` |
| **工具记忆** | 记录工具使用经验、参数优化 | `tool_name` |
### 核心能力
| 方法 | 功能 | 说明 |
|--------------------|----------|----------------|
| `summarize_memory` | 🧠 记忆总结 | 从对话中自动提取并存储记忆 |
| `retrieve_memory` | 🔍 记忆检索 | 根据查询检索相关记忆 |
| `add_memory` | ➕ 添加记忆 | 手动添加记忆到向量库 |
| `get_memory` | 📖 获取记忆 | 通过 ID 获取单条记忆 |
| `update_memory` | ✏️ 更新记忆 | 更新已有记忆的内容或元数据 |
| `delete_memory` | 🗑️ 删除记忆 | 删除指定记忆 |
| `list_memory` | 📋 列出记忆 | 列出某类记忆，支持过滤和排序 |
---
## 💻 ReMeCli：基于文件记忆的终端助手
### 什么时候会写记忆？
| 场景 | 写到哪 | 怎么触发 |
|------------------|------------------------|----------------------|
| 上下文超长自动压缩 | `memory/YYYY-MM-DD.md` | 后台自动 |
| 用户执行 `/compact` | `memory/YYYY-MM-DD.md` | 手动压缩 + 后台保存 |
| 用户执行 `/new` | `memory/YYYY-MM-DD.md` | 新对话 + 后台保存 |
| 用户说"记住这个" | `MEMORY.md` 或日志 | Agent 用 `write` 工具写入 |
| Agent 发现了重要决策/偏好 | `MEMORY.md` | Agent 主动写 |
### 记忆检索工具
| 方式 | 工具 | 什么时候用 | 举例 |
|------|-----------------|------------|--------------------------|
| 语义搜索 | `memory_search` | 不确定记在哪，模糊找 | "之前关于部署的讨论" |
| 直接读 | `read` | 知道是哪天、哪个文件 | 读 `memory/2025-02-13.md` |
搜索用的是**向量 + BM25 混合检索**（向量权重 0.7，BM25 权重 0.3），无论自然语言还是精确关键词都能命中。
### 内置工具
| 工具 | 功能 | 细节 |
|-----------------|----------|----------------------------------------|
| `memory_search` | 搜记忆 | MEMORY.md 和 memory/*.md 里做向量+BM25 混合检索 |
| `bash` | 跑命令 | 执行 bash 命令，有超时和输出截断 |
| `ls` | 看目录 | 列目录结构 |
| `read` | 读文件 | 文本和图片都行，支持分段读 |
| `edit` | 改文件 | 精确匹配文本后替换 |
| `write` | 写文件 | 创建或覆盖，自动建目录 |
| `execute_code` | 跑 Python | 运行代码片段 |
| `web_search` | 联网搜索 | 通过 Tavily |
---
## 🚀 快速开始
### 安装
```bash
pip install -U reme-ai
```
### 环境变量
API 密钥通过环境变量设置，可写在项目根目录的 `.env` 文件中：
| 环境变量 | 说明 | 示例 |
|---------------------------|-----------------------|-----------------------------------------------------|
| `REME_LLM_API_KEY` | LLM 的 API Key | `sk-xxx` |
| `REME_LLM_BASE_URL` | LLM 的 Base URL | `https://dashscope.aliyuncs.com/compatible-mode/v1` |
| `REME_EMBEDDING_API_KEY` | Embedding 的 API Key | `sk-xxx` |
| `REME_EMBEDDING_BASE_URL` | Embedding 的 Base URL | `https://dashscope.aliyuncs.com/compatible-mode/v1` |
| `TAVILY_API_KEY` | Tavily 搜索 API Key（可选） | `tvly-xxx` |
### 使用 ReMeCli
#### 启动 ReMeCli
```bash
remecli config=cli
```
#### ReMeCli 系统命令
> 马年彩蛋：`/horse` 触发——烟花、奔马动画和随机马年祝福。
对话里输入 `/` 开头的命令控制状态：
| 命令 | 说明 | 需等待响应 |
|------------|---------------------|-------|
| `/compact` | 手动压缩当前对话，同时后台存到长期记忆 | 是 |
| `/new` | 开始新对话，历史后台保存到长期记忆 | 否 |
| `/clear` | 清空一切，**不保存** | 否 |
| `/history` | 看当前对话里未压缩的消息 | 否 |
| `/help` | 看命令列表 | 否 |
| `/exit` | 退出 | 否 |
**三个命令的区别**
| 命令 | 压缩摘要 | 长期记忆 | 消息历史 |
|------------|-------|------|-------|
| `/compact` | 生成新摘要 | 保存 | 保留最近的 |
| `/new` | 清空 | 保存 | 清空 |
| `/clear` | 清空 | 不保存 | 清空 |
> `/clear` 是真删，删了就没了，不会存到任何地方。
### 使用 ReMe Package
#### 基于文件的 ReMe
```python
import asyncio
from reme import ReMeFb
async def main():
# 初始化并启动
reme = ReMeFb(
default_llm_config={
"backend": "openai", # 后端类型，支持 openai 兼容接口
"model_name": "qwen3.5-plus", # 模型名称
},
default_file_store_config={
"backend": "chroma", # 存储后端，支持 sqlite/chroma/local
"fts_enabled": True, # 是否启用全文搜索
"vector_enabled": False, # 是否启用向量搜索（无 embedding 服务可设为 False）
},
context_window_tokens=128000, # 模型上下文窗口大小（tokens）
reserve_tokens=36000, # 预留给输出的 token 数量
keep_recent_tokens=20000, # 保留最近消息的 token 数量
vector_weight=0.7, # 向量搜索权重（0-1），用于混合搜索
candidate_multiplier=3.0, # 候选结果倍数，用于召回更多候选项
)
await reme.start()
messages = [
{"role": "user", "content": "我喜欢用 Python 3.12"},
{"role": "assistant", "content": "好的，已记录你偏好 Python 3.12"},
]
# 检查上下文是否超限
result = await reme.context_check(messages)
print(f"压缩结论: {result}")
# 压缩对话为摘要
summary = await reme.compact(messages_to_summarize=messages)
print(f"摘要: {summary}")
# 将重要记忆写入文件（ReAct Agent 自动操作）
await reme.summary(messages=messages, date="2026-02-28")
# 语义搜索记忆
results = await reme.memory_search(query="Python 版本偏好", max_results=5)
print(f"搜索结果: {results}")
# 读取指定记忆文件
content = await reme.memory_get(path="MEMORY.md")
print(f"记忆内容: {content}")
# 关闭（保存 Embedding 缓存、停止文件监控）
await reme.close()
if __name__ == "__main__":
asyncio.run(main())
```
#### 基于向量库的 ReMe
```python
import asyncio
from reme import ReMe
async def main():
# 初始化 ReMe
reme = ReMe(
working_dir=".reme",
default_llm_config={
"backend": "openai",
"model_name": "qwen3-30b-a3b-thinking-2507",
},
default_embedding_model_config={
"backend": "openai",
"model_name": "text-embedding-v4",
"dimensions": 1024,
},
default_vector_store_config={
"backend": "local", # 支持 local/chroma/qdrant/elasticsearch
},
)
await reme.start()
messages = [
{"role": "user", "content": "帮我写一个 Python 脚本", "time_created": "2026-02-28 10:00:00"},
{"role": "assistant", "content": "好的，我来帮你写", "time_created": "2026-02-28 10:00:05"},
]
# 1. 从对话中总结记忆（自动提取用户偏好、任务经验等）
result = await reme.summarize_memory(
messages=messages,
user_name="alice", # 个人记忆
# task_name="code_writing", # 任务记忆
)
print(f"总结结果: {result}")
# 2. 检索相关记忆
memories = await reme.retrieve_memory(
query="Python 编程",
user_name="alice",
# task_name="code_writing",
)
print(f"检索结果: {memories}")
# 3. 手动添加记忆
memory_node = await reme.add_memory(
memory_content="用户喜欢简洁的代码风格",
user_name="alice",
)
print(f"添加的记忆: {memory_node}")
memory_id = memory_node.memory_id
# 4. 通过 ID 获取单条记忆
fetched_memory = await reme.get_memory(memory_id=memory_id)
print(f"获取的记忆: {fetched_memory}")
# 5. 更新记忆内容
updated_memory = await reme.update_memory(
memory_id=memory_id,
user_name="alice",
memory_content="用户喜欢简洁且带注释的代码风格",
)
print(f"更新后的记忆: {updated_memory}")
# 6. 列出用户的所有记忆（支持过滤和排序）
all_memories = await reme.list_memory(
user_name="alice",
limit=10,
sort_key="time_created",
reverse=True,
)
print(f"用户记忆列表: {all_memories}")
# 7. 删除指定记忆
await reme.delete_memory(memory_id=memory_id)
print(f"已删除记忆: {memory_id}")
# 8. 删除所有记忆（谨慎使用）
# await reme.delete_all()
await reme.close()
if __name__ == "__main__":
asyncio.run(main())
```
## 🏛️ 技术架构
### 基于文件的 ReMe 核心架构
```mermaid
graph TB
User[用户 / Agent] --> ReMeFb[File based ReMe]
ReMeFb --> ContextCheck[上下文检查]
ReMeFb --> Compact[上下文压缩]
ReMeFb --> Summary[记忆总结]
ReMeFb --> Search[记忆检索]
ContextCheck --> FbContextChecker[检查 Token 是否超限]
Compact --> FbCompactor[压缩历史对话为摘要]
Summary --> FbSummarizer[ReAct Agent + 文件工具]
Search --> MemorySearch[向量 + BM25 混合检索]
FbSummarizer --> FileTools[read / write / edit]
FileTools --> MemoryFiles[memory/*.md]
MemoryFiles -.->|文件变更| FileWatcher[异步文件监控]
FileWatcher -->|更新索引| FileStore[本地数据库]
MemorySearch --> FileStore
```
#### 记忆总结：ReAct + 文件工具
[Summarizer](reme/memory/file_based/fb_summarizer.py) 是记忆总结的核心组件，它采用 **ReAct + 文件工具** 模式。
```mermaid
graph LR
A[接收对话] --> B{思考: 有什么值得记录?}
B --> C[行动: read memory/YYYY-MM-DD.md]
C --> D{思考: 如何与现有内容合并?}
D --> E[行动: edit 更新文件]
E --> F{思考: 还有遗漏吗?}
F -->|是| B
F -->|否| G[完成]
```
#### 文件工具集
Summarizer 配备了一套文件操作工具，让 AI 能够直接操作记忆文件：
| 工具 | 功能 | 使用场景 |
|---------|--------|--------------|
| `read` | 读取文件内容 | 查看现有记忆，避免重复 |
| `write` | 覆盖写入文件 | 创建新记忆文件或大幅重构 |
| `edit` | 编辑文件局部 | 追加新内容或修改特定部分 |
#### 上下文压缩
当对话过长时，[Compactor](reme/memory/file_based/fb_compactor.py) 负责将历史对话压缩为精华摘要——就像写**会议纪要**
，把冗长的讨论浓缩成关键要点。
```mermaid
graph LR
A[消息1..N] --> B[📦 压缩摘要]
C[最近消息] --> D[保留原样]
B --> E[新的上下文]
D --> E
```
压缩摘要包含继续工作所需的关键信息：
| 内容 | 说明 |
|--------|---------------|
| 🎯 目标 | 用户想要完成什么 |
| ⚙️ 约束 | 用户提到的要求和偏好 |
| 📈 进展 | 已完成/进行中/阻塞的任务 |
| 🔑 决策 | 做出的决策及原因 |
| 📌 上下文 | 文件路径、函数名等关键数据 |
#### 记忆检索
[MemorySearch](reme/memory/tools/chunk/memory_search.py) 提供**向量 + BM25 混合检索**能力，两种方式优势互补：
| 检索方式 | 优势 | 劣势 |
|-------------|-----------------|----------------|
| **向量语义** | 捕捉意义相近但措辞不同的内容 | 对精确 token 匹配较弱 |
| **BM25 全文** | 精确 token 命中效果极佳 | 无法理解同义词和改写 |
**融合机制**：同时使用两路召回，按权重加权求和（向量 0.7 + BM25 0.3），确保无论是「自然语言提问」还是「精确查找」都能获得可靠结果。
```mermaid
graph LR
Q[搜索查询] --> V[向量搜索 × 0.7]
Q --> B[BM25 × 0.3]
V --> M[去重 + 加权融合]
B --> M
M --> R[Top-N 结果]
```
---
### 基于向量库的 ReMe 核心架构
```mermaid
graph TB
User[用户 / Agent] --> ReMe[Vector Based ReMe]
ReMe --> Summarize[记忆总结]
ReMe --> Retrieve[记忆检索]
ReMe --> CRUD[增删改查]
Summarize --> PersonalSum[PersonalSummarizer]
Summarize --> ProceduralSum[ProceduralSummarizer]
Summarize --> ToolSum[ToolSummarizer]
Retrieve --> PersonalRet[PersonalRetriever]
Retrieve --> ProceduralRet[ProceduralRetriever]
Retrieve --> ToolRet[ToolRetriever]
PersonalSum --> VectorStore[向量数据库]
ProceduralSum --> VectorStore
ToolSum --> VectorStore
PersonalRet --> VectorStore
ProceduralRet --> VectorStore
ToolRet --> VectorStore
```
## ⭐ 社区与支持
- **Star 与 Watch**：Star 可让更多智能体开发者发现 ReMe；Watch 可助你第一时间获知新版本与特性。
- **分享你的成果**：在 Issue 或 Discussion 中分享 ReMe 为你的智能体解锁了什么——我们非常乐意展示社区的优秀案例。
- **需要新功能？** 提交 Feature Request，我们将与社区一起完善。
- **代码贡献**：欢迎任何形式的代码贡献，请参阅 [贡献指南](docs/contribution.md)。
- **致谢**：感谢 OpenClaw、Mem0、MemU、CoPaw 等优秀的开源项目，为项目带来诸多启发与帮助。
---
## 📄 引用
```bibtex
@software{AgentscopeReMe2025,
title = {AgentscopeReMe: Memory Management Kit for Agents},
author = {ReMe Team},
url = {https://reme.agentscope.io},
year = {2025}
}
```
---
## ⚖️ 许可证
本项目基于 Apache License 2.0 开源，详情参见 [LICENSE](./LICENSE) 文件。
---
## 📈 Star 历史
[](https://www.star-history.com/#agentscope-ai/ReMe&Date)