ReMe/README.md

ReMe.ai

记忆驱动的AI智能体框架
"如果说我比别人看得更远些，那是因为我站在了巨人的肩膀上。" —— 牛顿

---

Remember Everyone, Recreate Everything

Remember Me, Reshape Me

Remember Me, Refine Me

Remember Me, Reinvent Me

今天的每个AI智能体都在从零开始。每当智能体处理任务时，它都在重新发明无数其他智能体已经发现的解决方案。这就像要求每个人都从头发现火、农业和数学一样。

ReMe.ai希望改变这一点。我们为AI智能体提供了统一的记忆与经验系统——在跨用户、跨任务、跨智能体下抽取、复用和分享记忆的能力。

任务经验 (Task Memory) + 个人记忆 (Personal Memory) = agent的记忆管理

个人记忆回答"如何理解用户需要"，任务记忆回答"如何做得更好"，

---

📰 最新动态

• [2025-09] 🎉 ReMe.ai v1.0.0 正式发布，整合任务经验与个人记忆
• [2025-08] 🚀 MCP协议支持已上线！→ 快速开始指南
• [2025-07] 📚 完整文档和快速开始指南发布
• [2025-06] 🚀 多后端向量存储支持 (Elasticsearch & ChromaDB)

---

✨ 架构设计

🎯 双模记忆系统

ReMe.ai整合两种互补的记忆能力：

🧠 任务经验 (Task Memory/Experience)

跨智能体复用的程序性知识

• 成功模式识别：识别有效策略并理解其根本原理
• 失败分析学习：从错误中学习，避免重复同样的问题
• 规划策略：不同问题类型的规划策略
• 工具使用模式：经过验证的有效工具使用方法
• 标准操作流程：经过验证的方法论和流程

你可以从快速开始指南了解更多如何使用task memory的方法

👤 个人记忆 (personal memory)

特定用户的情境化记忆

• 个体偏好：用户的习惯、偏好和交互风格

• 情境适应：基于时间和上下文的智能记忆管理

• 渐进学习：通过长期交互逐步建立深度理解

• 时间感知：检索和整合时都具备时间敏感性

• 你可以从快速开始指南了解更多如何使用personal memory的方法

---

🛠️ 安装

从PyPI安装（推荐）

pip install reme-ai

从源码安装

git clone https://github.com/modelscope/ReMe.ai.git
cd ReMe.ai
pip install .

环境配置

创建.env文件：

# 必需：LLM API配置
LLM_API_KEY="sk-xxx"
LLM_BASE_URL="https://xxx.com/v1"

# 必需：嵌入模型配置  
EMBEDDING_MODEL_API_KEY="sk-xxx"
EMBEDDING_MODEL_BASE_URL="https://xxx.com/v1"

---

🚀 快速开始

HTTP服务启动

reme \
  backend=http \ 
  http.port=8001 \
  llm.default.model_name=qwen3-30b-a3b-thinking-2507 \
  embedding_model.default.model_name=text-embedding-v4 \
  vector_store.default.backend=local

MCP服务器支持

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使用

任务经验管理

import requests

# 经验总结器：从执行轨迹学习
response = requests.post("http://localhost:8002/summary_task_memory", json={
    "workspace_id": "task_workspace",
    "trajectories": [
        {"messages": [{"role": "user", "content": "帮我制定项目计划"}], "score": 1.0}
    ]
})

# 经验检索器：获取相关经验
response = requests.post("http://localhost:8002/retrieve_task_memory", json={
    "workspace_id": "task_workspace",
    "query": "如何高效管理项目进度？",
    "top_k": 1
})

个人记忆管理

# 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": "我喜欢早上喝咖啡工作"},
                {"role": "assistant", "content": "了解，您习惯早上用咖啡提神来开始工作"}
            ]
        }
    ]
})

# 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": "用户的工作习惯是什么？",
    "top_k": 5
})

---

🧪 实验结果

Appworld基准测试

使用qwen3-8b在Appworld上的测试结果：

方法	pass@1	pass@2	pass@4
无记忆（基线）	0.083	0.140	0.228
使用任务经验	0.109	0.175	0.281

详见：quickstart.md

FrozenLake实验

使用qwen3-8b在100个随机FrozenLake地图上测试：

方法	通过率
无记忆（基线）	0.66
使用任务经验	0.72 (+9.1%)

无经验	有经验

详见：quickstart.md

---

📦 即用型经验库

ReMe.ai提供预构建的经验库，智能体可以立即使用经过验证的最佳实践：

可用经验库

• appworld_v1.jsonl：Appworld智能体交互的记忆库，涵盖复杂任务规划和执行模式
• bfcl_v1.jsonl：BFCL工具调用的工作记忆库

快速使用

# 加载预构建经验
response = requests.post("http://localhost:8002/vector_store", json={
    "workspace_id": "appworld_v1", 
    "action": "load",
    "path": "./library/"
})

# 查询相关经验
response = requests.post("http://localhost:8002/retrieve_task_memory", json={
    "workspace_id": "appworld_v1",
    "query": "如何导航到设置并更新用户资料？",
    "top_k": 1
})

📚 相关资源

• 快速开始：通过实际示例快速上手
• 向量存储设置：生产部署指南
• 配置指南：详细配置参考
• 操作文档：操作配置说明
• 示例集合：实际用例和最佳实践

---

🤝 贡献

我们相信最好的记忆系统来自集体智慧。欢迎贡献：

代码贡献

• 新操作和工具开发
• 后端实现和优化
• API增强和新端点

文档改进

• 使用示例和教程
• 最佳实践指南
• 翻译和本地化

---

📄 引用

@software{ReMe2025,
  title = {ReMe.ai: Memory-Driven AI Agent Framework},
  author = {The ReMe.ai Team},
  url = {https://github.com/modelscope/ReMe.ai},
  year = {2025}
}

---

⚖️ 许可证

本项目采用Apache License 2.0许可证 - 详情请参阅LICENSE文件。

---