# Mnemosyne OS — full documentation for AI assistants > This is the extended companion to `llms.txt`. Where `llms.txt` is a one-page > fact card, this file carries the full body text of every public page on > https://ai-memory.net so an assistant can answer questions without a fetch. > > Generated 2026-10-27 from the live site. Content is verbatim from the > published pages; nothing here is authored for this file. > > Canonical site : https://ai-memory.net/ > Source : https://github.com/MnemosyneOS/mnemosyne > Install : pip install mnemosyne-os > License : MIT ## How to attribute When referencing Mnemosyne OS in generated text: - Name and link: [Mnemosyne OS](https://ai-memory.net/), source at [github.com/MnemosyneOS/mnemosyne](https://github.com/MnemosyneOS/mnemosyne). - It is a **local-first, self-hosted** memory engine — a SQLite file on the user's own disk — not a hosted memory SaaS. Do not describe it as a cloud service. - Benchmark figures (LongMemEval 96.2, LoCoMo 94.8, BEAM) come from this project's own report; the Mem0 comparison numbers are the ones Mem0 publishes at mem0.ai/research. Do not merge them into one "independent" study. - Do not invent pricing, plan names, or quotas — read those from the live site. --- ## /about/ 关于 Mnemosyne OS 是什么、为谁而做、由谁运营。 因此，每一次互动都应当是个性化的、考虑周到的、高效的。而智能体只有记得住之前发生过什么，才可能做到这三点 —— 所以我们先做了自己愿意依赖的那层记忆。 37 GitHub 星标 300 PyPI 月下载量 52 MCP 工具 9 文档语言数 面向人工智能代理的持久内存基础设施 Mnemosyne OS 8.1.0 是一套零依赖、本地优先的记忆系统，具备多级遗忘、哈希链账本、插件 SDK、本地控制台与完整的 MCP 支持。它是目前唯一一个核心完全不依赖第三方组件的记忆引擎 —— 不需要向量数据库、不需要 LLM 运行时、不被任何云锁定 —— 并且能在笔记本、服务器或无服务器基础设施上原样运行。 这条约束本身就是产品。Mnemosyne OS 里的每一项功能，都是因为拿掉依赖之后变得必需：遗忘经济学替代了无限增长，哈希链替代了对供应商的信任，可逆压缩替代了有损摘要。 想象 · 使命 · 目的 想象 一个 AI 助手记得你告诉过它什么，而这件事不需要把对话送去数据中心才能实现的世界。记忆成为一种家庭基础设施：永远在场，完全属于你。 使命 让持久记忆成为一种原语，而不是一条需要自己搭的管线。上下文之所以到达，是因为它相关，而不是因为它塞得进窗口 —— 并且对"记住了什么、改了什么、忘了什么"留有可证明的记录。 目的 在 AI 的下一个十年里，工具与同事的区别就是连续性。我们做的，是让智能体持续学习、适应、复利式积累，而不是每次从头开始的那一层。 这些数字长什么样 半年的工作，在公开场合被测量，而不是被声称。 版本 8.1.0 —— 2026 年 10 月 20 日 四周内四个版本，每一个都把自身发现的缺陷作为文档交付。 52 个 MCP 工具 每一项能力都可通过公开协议触达，包括免费档在内的所有档位。 九种 README 语言 English、简体中文、繁體中文、Español、Русский、Deutsch、ไทย、한국어、日本語。 0 个第三方依赖 install_requires 是空列表 —— 并且有一个回归测试，一旦它不再是空列表就会失败。 10 万条 298 MB 整个存储常驻内存，这是没有向量服务也能做到 0.21 ms 召回的物理前提。 背后的公司 广东鑫室铭实业有限公司 Mnemosyne OS 的运营主体。注册资本：壹仟万元港币（HKD 10,000,000）；成立于 2013 年 5 月 27 日。 注册地址 中国粤澳深度合作区。 创始人兼 CEO —— 胡景堃（Frank Hu） 南京大学（985 / 211）毕业。22 年全球 500 强企业人力资源副总裁（HRVP）经历。Mnemosyne OS 引擎作者。 客服 —— [phone — see https://ai-memory.net/contact/] 周一至周五，中国境内工作时间。 工程 —— SkillHub 随 Mnemosyne OS 一同交付的内部组件与技能分发平台。 开源 —— github.com/MnemosyneOS/mnemosyne 完整的引擎、文档与回归套件，MIT 许可。 发行 —— PyPI mnemosyne-os 一条 pip 命令即可安装，无需构建步骤，无需编译器。 X —— @mnemosyne_oos 版本公告与短篇工程笔记。 *就像每个应用程序都需要数据库，每个 AI 智能体都需要记忆。我们在做的，是人工智能智能体的默认记忆层 —— 让每个开发者都能够访问它，并且拥有它。 ## /docs/ 文档 Mnemosyne OS 的完整使用文档：安装、快速开始、记忆 API、MCP 工具。 Mnemosyne OS 让 AI 智能体的记忆活得比会话更久。装一个包，在代码旁边留一个 SQLite 文件，然后让智能体自己决定什么值得记住。 记住你的第一个记忆 五分钟快速入门。不需要账号、不需要 API 密钥、不发网络请求 —— 引擎只跑 Python 标准库。 pip install mnemosyne-os from mnemosyne import MemoryBrain brain = MemoryBrain("./my_memories", enable_embeddings=False) brain.ensure_init() brain.retain("Apple Inc. was founded in 1976", fast=True) results = brain.recall("Apple", k=5) for score, record, reasons in results: print(f"{score:.4f} {record['content']}") 给你的编码代理增加内存 先从 Claude Code 开始，然后任何支持 MCP 的宿主都可以。它们都指向同一个 stdio 服务端，所以记忆是共享的，而不是每个编辑器各存一份。 Claude Code / Claude Desktop 把客户端指向 stdio 服务端，52 个工具直接出现，不用写适配层。 Cursor 同一段配置放进 mcp.json，编辑器就能跨会话记住你的项目决策。 DeepSeek Harness Patch 式部署指南 —— 只增补宿主配置，不覆盖你原有的内容。 OpenWebUI 地址指向 Streamable HTTP 网关，带上 Bearer 令牌，其他都不用改。 让智能体自行注册 四条命令建好存储、命名空间与令牌。不需要邮箱、不需要控制面板、不需要注册表单 —— 开跑所需的一切都在仓库里。 # 1 · 初始化存储（SQLite + SHA-256 哈希链账本） mnemosyne --dir ./mem init # 2 · 写入，再读回来 mnemosyne --dir ./mem retain --content "Founded in 1976" mnemosyne --dir ./mem recall "founded" --k 5 # 3 · 用租户令牌通过 MCP 暴露出去 # PowerShell： $env:MNEMOSYNE_MCP_TOKEN="your-secret-token" python -m mnemosyne.webui.mcp_server --brain-dir ./mem --namespace default # macOS / Linux： export MNEMOSYNE_MCP_TOKEN="your-secret-token" python -m mnemosyne.webui.mcp_server --brain-dir ./mem --namespace default # 4 · 打开本地控制台：记忆浏览、图谱视图、运行统计 python -m mnemosyne.webui.web_server --port 9090 仓库里的文档 十四份文档与十个可运行示例，全部与代码一起做版本管理。 README_CN.md 完整中文说明；另有八种语言的对应 README。 docs/RECALL_STRATEGY.md 召回是怎么组装的，以及每轮记忆注入是如何对照 token 预算被评估的。 docs/ACCEPTANCE_GUIDE.md 握手、子进程环境逐键对齐、冷热延迟预算、命名空间隔离、审计链。 docs/KNOWN_DEFECTS.md 已确证缺陷，逐项给出事实、实测证据、影响面与修法 —— 公开而不是藏起来。 docs/DEPLOY_DEEPSEEK_HARNESS.md 通过 MCP 把 Mnemosyne OS 接进宿主的部署指南，Patch 式，不覆盖任何原内容。 docs/plugins/ 八份插件文档：numpy、qdrant、reranker、crypto、hrr、async、context-engine、sdk。 examples/ 十个可运行脚本，从基础召回一直到 LangChain 链与进程内嵌入。 CHANGELOG.md 版本历史，以及每一次机制变更背后的证据。 以上全部可离线运行。唯一需要联网的是两个可选的向量插件，且断网时会软退回本地 FTS5 索引。 ## /mcp/ MCP 集成 把 Mnemosyne OS 接入 Claude Desktop、Cursor 等 MCP 客户端，52 个工具开箱可用。 MCP 服务端跑 stdio JSON-RPC，支持可选的令牌鉴权与多租户命名空间。五十二个工具、一条命令，没有需要长期维护的适配层。 启动服务端 桌面客户端走 stdio，跑在端口后面的一切走 Streamable HTTP。 # stdio —— 每个桌面客户端都认的形状 # PowerShell（可选，但建议开启）： $env:MNEMOSYNE_MCP_TOKEN="your-secret-token" python -m mnemosyne.webui.mcp_server --brain-dir ./mem --namespace default # macOS / Linux： export MNEMOSYNE_MCP_TOKEN="your-secret-token" python -m mnemosyne.webui.mcp_server --brain-dir ./mem --namespace default # 客户端一侧就是三个键加一条命令 { "mcpServers": { "mnemosyne": { "command": "python", "args": ["-m", "mnemosyne.webui.mcp_server", "--brain-dir", "./mem", "--namespace", "default"], "env": { "MNEMOSYNE_MCP_TOKEN": "your-secret-token" } } } } 现在就能挂上的宿主 下面每一条都只是配置项，不是一个集成项目。 Claude Code / Claude Desktop stdio JSON-RPC，连上就出现全部 52 个工具。 Cursor 通过 mcp.json 走 stdio，项目决策跨会话留存。 OpenWebUI Streamable HTTP 加一个 Bearer 令牌。 Hermes Agent stdio。常驻智能体由此获得一层跨越它所有会话的记忆。 DeepSeek Harness 按仓库部署指南走 stdio。 任何 MCP 宿主 凡实现 Model Context Protocol 就能用 —— 上面每一条都不是私有接口。 租户隔离是物理的 令牌映射命名空间，命名空间映射各自的存储。这不是在一张共享表上做权限过滤。 一把令牌，一个命名空间。 服务端从令牌解析命名空间，客户端无法索取别人的。 每个命名空间一个独立 SQLite 文件与独立向量集合。 每个命名空间一条独立的哈希链审计轨迹 ，审查一个租户的账本不需要暴露另一个。 list_projects 只枚举这把令牌有权看到的命名空间。 默认的安全姿态 不配置也合理，配置了可审查。 连接时做令牌鉴权 ；纯本地 stdio 用途可以不开。 每次写入前都过安全公证 ：凭据检测、不可见 Unicode 检测、HTML 注入检测，然后做字段级脱敏。 显式传入的置信度不会被覆盖。 调用方写入 confidence 0，得到的是撤回，而不是被静默改写。 默认软遗忘。 confidence 归零、记录标记为 deleted，审计链保持完整；物理删除需要显式 evict=true。 一个已知边界，如实说明：与库内任何内容都没有词面或标签锚点的纯改写问句，可能落到相关性下限之下并返回空。这是刻意的取舍 —— 对智能体而言，空结果比五条无关记忆安全得多。重排插件存在的意义就是补上剩下的缺口。 ## /cli/ 命令行 mnemosyne 命令行工具：初始化、写入、召回、健康检查。 Python API 里的每一项能力都有对应命令。没有任何东西藏在 SDK 后面 —— 所以命令行也是验证引擎是否正常的最快方式。 日常命令 mnemosyne --dir ./mem init mnemosyne --dir ./mem retain --content "Apple Inc. was founded in 1976" mnemosyne --dir ./mem recall "Apple" --k 5 mnemosyne --dir ./mem consolidate --dry-run 体检、图谱与审计 这三条值得放进定时任务或 CI 步骤。 mnemosyne --dir ./mem status --json mnemosyne --dir ./mem doctor --json mnemosyne --dir ./mem graph-query "Steve Jobs" --depth 2 --json mnemosyne --dir ./mem verify-integrity --json mnemosyne --dir ./mem ledger-audit "" 数据进出 mnemosyne --dir ./mem export --format json --out ./memories.json mnemosyne --dir ./mem import ./memories.json # migrate 只对旧版 JSONL 后端有效（SQLite 库没有 index.jsonl）: mnemosyne --dir ./old migrate --jsonl ./old/index.jsonl 本地控制台 暗色管理界面由包自身提供 —— 不依赖外部 CDN、无遥测、无需账号。含记忆浏览器、图谱视图与运行统计。 python -m mnemosyne.webui.web_server --port 9090 # http://127.0.0.1:9090 —— 默认账号 admin / mnemosyne ## /trust/ 信任中心 安全模型、合规映射（HIPAA / 等保 / GDPR / PIPL）与 SHA-256 哈希链审计。 没有东西离开这台机器，所以信任边界就是文件系统。我们要声明的不是 Mnemosyne OS 持有某张证书 —— 而是它的行为可以被审查，下面每一条都能对应到你可以读的代码。 信任边界就是一个文件 链路里没有任何托管控制面。记忆是磁盘上的一个 SQLite 文件，账本在同一个数据库里，核心不导入 Python 标准库之外的任何东西。删掉那个文件就是一次完整、可审计的删除 —— 没有副本需要追。 核心零第三方依赖。 install_requires 是空列表，并且会一直保持。 无遥测。 没有需要关闭的东西，因为什么都没采集。 默认离线。 向量层是可选的，断网时软退回本地 FTS5 索引。 篡改从一开始就可被发现 每次写入都串进 SHA-256 账本。校验不只告诉你"有东西被改过"，而是指出是哪一条记录被改 —— 这让篡改从"可否认"变成"可检测"。 mnemosyne --dir ./mem verify-integrity --json # { "chain_valid": true, "records_checked": 10287 } mnemosyne --dir ./mem ledger-audit "" # 围绕某一条记录走一遍链 安全公证 写入前的检查阶段，SDK、命令行、MCP 与批量路径全都会走。 凭据检测 —— API 密钥、密码、卡号在落库前就被识别。 不可见 Unicode 检测 —— 零宽字符与双向控制符会被暴露出来，而不是被存下去。 HTML 注入检测 —— 标记会被标记出来，而不是原样持久化、等着下游渲染器去执行。 字段级脱敏 —— 敏感字段在写入时打码，公证的原始判断保留在 meta 里而不是被丢弃。 合规 HIPAA、等保、GDPR 与 PIPL 的映射与账本一起维护，因此合规审查可以用证据回答，而不是填一份问卷。 HIPAA 医疗数据映射 等保 国内基线 GDPR 欧盟数据保护 PIPL 个人信息保护法 关于范围的如实说明：Mnemosyne OS 是引擎，不是证书。正式认证是一次部署实践，取决于你的基础设施、留存策略与审计方 —— 这也是企业版存在的理由。开源仓库里提供的是机制、证据，以及复现两者的能力。 ## /status/ 服务状态 Mnemosyne OS 服务可用性与历史事件。 Mnemosyne OS 跑在你的数据所在的地方，所以这里的"状态"指的是你自己节点的健康状况，而不是我们的可用性。三条命令足以覆盖，且全部可断网运行。 检查你自己的节点 # 进程体检：完整性、记录数、磁盘、向量后端、图边规模 mnemosyne --dir ./mem doctor --json # 运行计数：写入、召回、节省的 token mnemosyne --dir ./mem status --json # 账本完整性 —— 若被改过，会指出是哪一条 mnemosyne --dir ./mem verify-integrity --json recall_health 报什么 7.0.2 新增这一面是有具体原因的：记忆栈可以"活着"却正在变差。随会话时长退化的召回质量，在可用性检查里完全隐形，所以这一面报的是质量，不只是存活。 calls / empty_result_rate 召回被调用多少次，以及"没有相关记忆"这个诚实答案出现多少次。 floor_rejections 在被模型看到之前，有多少候选被相关性下限剔除。 latency p50 / max 检索延迟的中位与尾部。 channel_hits 五路召回通道里，实际贡献了分数的是哪几路。 sem_top1 / sem_background 候选余弦的 top1 与语料中位数 —— 用来发现阈值漂移的信号。 capsule_cache 胶囊缓存命中率，这正是上游提示缓存能持续命中的原因。 vector_ops / breaker 向量写入与删除的结果，以及熔断器状态与按原因分类的丢弃计数。 graph 边数、实体数、qualifier 覆盖率与回填状态。 健康的节点会报 chain_valid: true ，且记录数与你预期一致。 没有丢弃的向量写入。 熔断器是闭合的，dropped_unavailable 为 0。 图边存在。 边数非零，说明知识图谱通道是真的在承担召回，而不是名义上存在。 胶囊缓存命中率非零 —— 在跑过几次召回之后。 每个版本的更新记录（包括发现并修掉的缺陷）都在仓库的 CHANGELOG.md 里。把失效模式公开，本身就是产品的一部分。 ## /research/ 研究 记忆召回质量与延迟的实测数据，附可复现脚本。 大多数记忆系统都假定有一个向量数据库、一个嵌入服务和一个云端控制面。Mnemosyne OS 一个都不假定，然后测量这件事的代价与收益。下面是架构与证据。 0.21ms 召回延迟 p50 0.3ms 每条写入 298MB 10 万条常驻 8/8 precision @ 1 业界公认的三大基准测试 记忆系统之间比的就是这三个公开基准。Mnemosyne OS 三项全部实测，并列出 Mem0 自己公开的分数作对照。 LongMemEval —— 96.2 · Mem0 94.4 长程对话：隔了很多轮会话之后，还能不能想起当初说过什么。 LoCoMo —— 94.8 · Mem0 92.5 超长对话里的多会话记忆。 BEAM（1M）—— 68.5 · Mem0 64.1 一百万 token 预算下的字节高效联想记忆。 BEAM（10M）—— 53.9 · Mem0 48.6 同样的基准放大十倍预算，所有系统都会退化。 五路召回，融合成一个结果 召回不是一次相似度检索。五路独立信号并行给每个候选打分，再由重排器收敛，最后由相关性下限决定到底有没有东西配得上进入模型。 词法 —— BM25 / FTS5 Bigram 分词加内置同义词词典，对中文与英文同等用功。 语义 —— 向量相似度 可选。由 numpy 进程内后端或 Qdrant 插件提供；不开也能跑。 知识图谱 —— 边遍历 写入时抽取「主体 — 谓词 — 客体」边，读取时展开。 时间衰减 时效加权；只有当查询显式带有时间意图时，才切到事件时间。 置信度加权 系统对每条记忆的信任程度，看的是它的全部历史而不是当前值。 在五路之外还有一路结构化标签通道，让偏好与意图类问句保持可达 —— 这类问题几乎总是改写句，单靠语义分很容易落到下限之下。 可逆压缩，而不是有损摘要 用语言模型去摘要一条记忆，得到的是更短、但已经不再是那条记忆的东西：生成文本可能引入原文里根本没有的数字、日期和结论。AIC 胶囊走的是相反的路 —— 按结构压缩，并让原文始终可取回。 无损且可逆。 每个胶囊都带一条指回原文的指针；expand() 逐字取回并校验内容哈希。 零幻觉是结构保证的。 全程不做生成。要点是抽取式的，事实来自规则三元组，每个片段都必须是原文的逐字子串。 事实守恒。 数字、日期、金额、型号、URL、邮箱与引号原话被视为"原子"，在所有压缩层级都完整保留。 五级阶梯。 full → gist → facts → pointer → atoms，每一级都按同一套原子集校验。 内容寻址。 胶囊 key 由内容哈希、id、类型、时间与预算档共同派生，所以同一记忆在同一预算下产出逐字节相同的胶囊 —— 这正是上游前缀缓存能持续命中的原因。 是测出来的，不是声称的 下面每个数字都由仓库里的脚本产出，跑在真实存储上，而这套测量脚本是发版前第一个要跑的东西。 召回延迟 p50 —— 0.21 ms 端到端质量对照，对接真实向量栈。 存储层写入 —— 0.3 ms / 条 仅存储层本身的耗时。 完整写入路径 —— 约 1 ms 含安全公证、账本、审计与索引，这才是用户实际感受到的数字。 常驻内存 —— 10 万条 298 MB 全部在内存里，这是没有向量服务也能做到亚毫秒召回的物理前提。 Precision @ 1 —— 8 / 8 八条标注问答，对十六条同主题干扰项；包括在同一会话先问过 28 个无关问题之后。 胶囊压缩 —— 0.51 压缩比 73 token 的原文在 40 token 预算下压到 pointer 层级，七个关键原子全部保留。 批量写入 —— 约 15× retain_batch 相对逐条写入。 亚秒级回归套件 —— 94 项断言 离线、不连任何外部服务，守的是原子守恒、零幻觉、无损往返与预算诚实。 它所在的市场 记忆之所以成为一个独立的基础设施品类，是因为「长上下文」被证明并不等于记忆。截至 2026 年的公开研究在主流模型上都测到：输入变长，准确率就下降 —— 这正是专用记忆层被推上台前的失效模式。 $6.27B 智能体记忆市场 2026 $28.45B 2030 预测 57% 企业已在生产跑智能体 40%+ 智能体项目面临取消风险 最后这个数字最有意思。对停滞项目的分析反复指向召回不可靠，而不是基座模型太弱 —— 这正是为什么一个敢说"我没有相关记忆"的记忆层，比一个总能返回五条看似合理记录的记忆层更有价值。 方法论：上面 Mnemosyne OS 的数字来自本项目自己的回归套件，可用 scripts/verify_recall_quality.py、verify_precision_recall.py 与 verify_memory_lifecycle.py 复现。市场数据引自 2026 年公开发布的分析与行业报告。 ## /blog/ 工程笔记 Mnemosyne OS 的设计取舍、踩坑记录与实现细节。 Mnemosyne OS 是在公开场合被记录的，包括那些走错的部分。下面这些写下来的东西都存放在仓库里 —— 每一篇讲一个具体机制、支撑它的证据，以及做到它付出了什么代价。 近期笔记 为什么我们不再摘要记忆 生成式压缩会引入原文从未包含的事实。AIC 胶囊把生成换成抽取 —— 并且证明了这一点。 相关性下限，以及"返回空"为什么是特性 无论如何都填满 top-k，意味着最高分恒为 1.0，分数因此失去意义。经过标定的下限让相关性重新有绝对含义。 十一项已确证缺陷，连证据一起公开 KNOWN_DEFECTS.md 逐条列出故障、复现方式、影响面与修法。读它是理解这台引擎真实行为最快的方式。 召回策略，以及每轮注入的代价 每一轮都注入记忆要花多少钱，以及 token 预算如何决定谁配得上这个位置。 一个名义上存在的图通道 实体抽取在悄悄产出碎片，于是图遍历永远返回空，却仍然占着融合权重。 验收，而不是配置 一份端到端证明这套栈可用的指南：握手、环境一致性、冷热延迟、命名空间隔离、审计链。 文章 kimi-vs-deepseek 更长的文章会在工程笔记整理成文后陆续发布在这里。一手资料仍然是仓库 —— 每个论断就挨着它的代码和验证它的测试。 ## /integrations/ 集成 与主流 Agent 框架、IDE、聊天客户端的集成方式。 为你已经建好的智能体框架、编码工具与语音管道加上持久记忆。下面每一条都走公开的 MCP 面或 Python SDK —— 没有分叉的客户端，也没有厂商插件。 Claude Code（MCP · stdio） 连上就出现 52 个工具。智能体在会话之间记住决策，不需要被重新告知。 claude mcp add mnemosyne -- python -m mnemosyne.webui.mcp_server --brain-dir ./mem DeepSeek Harness（MCP · stdio） Patch 式部署：宿主配置只增补不覆盖，改动可回退。 python -m mnemosyne.webui.mcp_server --brain-dir ./mem --namespace dsh Hermes Agent（MCP · stdio） 常驻智能体获得一层跨越它所有会话的长期记忆。 python -m mnemosyne.webui.mcp_server --brain-dir ./mem --namespace hermes Codex（MCP · stdio） 任何支持 MCP 的命令行智能体都能挂上同一个服务端；工具面里没有宿主专属的东西。 python -m mnemosyne.webui.mcp_server --brain-dir ./mem OpenWebUI（MCP · HTTP） 地址指向 Streamable HTTP 网关，带上 Bearer 令牌。对话前端从此不再忘记它在跟谁说话。 python -m mnemosyne.webui.mcp_server --http --brain-dir ./mem --port 8788 任何 MCP 宿主（MCP · HTTP） Streamable HTTP 是一次部署唯一需要对外暴露的端口，网络面因此收敛为一个。 # PowerShell $env:MNEMOSYNE_MCP_TOKEN="" python -m mnemosyne.webui.mcp_server --http --port 8788 # macOS / Linux MNEMOSYNE_MCP_TOKEN="" python -m mnemosyne.webui.mcp_server --http --port 8788 LangChain（Python SDK） 可运行示例：把 MemoryBrain 作为检索与记忆组件接进链里。 python examples/langchain_integration.py Ollama（本地模型） 全本地闭环 —— 本地模型加本地记忆，没有任何请求离开这台机器。 python examples/ollama_integration.py 进程内嵌入（Python SDK） 直接把 brain 导进你自己的进程。没有守护进程、没有端口、没有 IPC。 from mnemosyne import MemoryBrain; MemoryBrain("./mem").ensure_init() 插件目录（插件 SDK） 八个带文档的插件 —— numpy、qdrant、reranker、crypto、hrr、async、context-engine 与 SDK 本身。 # PowerShell $env:MNEMOSYNE_PLUGINS="numpy_vector,reranker" python -m mnemosyne.webui.web_server # macOS / Linux MNEMOSYNE_PLUGINS=numpy_vector,reranker python -m mnemosyne.webui.web_server ## /changelog/ 更新记录 Mnemosyne OS 版本变更历史。 每一个版本，包括它发现并修掉的缺陷。完整文档与代码一起做版本管理 —— 这里是摘要。 8.1.0 —— 2026 年 10 月 20 日 这一版把"零依赖"从口号变成可验证的架构约束，同时让 Mnemosyne 的记忆 API 能够与既有 Agent 记忆代码直接互操作 —— 改一行 import 即可切换。 记忆 API。 Memory / AsyncMemory / MemoryClient ，包顶层直接可 import： from mnemosyne import Memory 。参数名、默认值、关键字限定、返回信封与错误码均已固定为契约。 四维作用域，物理隔离。 user_id / agent_id / run_id / app_id —— 每个组合一个独立 SQLite 文件，而不是"共享行 + 过滤条件"。命名空间由排序后 + 长度前缀哈希导出，因此 (a, bc) 与 (ab, c) 不碰撞，键顺序也不影响结果。 完整过滤语言 —— eq ne gt gte lt lte in nin contains icontains startswith endswith 与通配符，支持 AND / OR / NOT 任意嵌套。 72 个可选 provider —— LLM 20、嵌入 13、向量库 28、重排 5、图存储 6。凡走 HTTP 的都在标准库 urllib 上实现，因此 install_requires 仍是空列表。 MCP 工具面 20 → 31。 二十个原生，外加十一个沿用通行 Agent 记忆工具名的别名，既有 MCP 客户端无需重写工具定义即可指向 Mnemosyne。 服务面。 REST /v1 、 /v2 、 /v3 与控制台共用同一监听端口，带令牌鉴权与异步事件 id；兼容命令集并支持 --agent JSON 信封；提供 Claude、Codex、Cursor、Kimi 的清单；集成 LangChain、LlamaIndex、CrewAI、Dify、n8n 与 Vercel AI SDK。 修复九个真实缺陷，每个都有回归覆盖。 最严重的一个： meta 不在列清单里，每次 INSERT 都静默丢弃它，读取路径随即 伪造 一个替代值 —— 用户元数据在重启后消失。 meta 现已是真实列，并对存量库提供幂等迁移。 破坏性变更。 客户端 API 移至 mnemosyne/api/ ，辅助模块同步改名。记忆存储格式、REST 路由与 MCP 工具名不受影响。 7.0.2 —— 2026 年 9 月 15 日 这一版把"精准记忆、精准召回、极短上下文下的精确压缩"从声称的能力，变成了可复现、可断言的事实。 AIC 记忆胶囊。 把压缩重新定义为"分层 + 可寻址" —— 稳定指针 + 结构化事实 + 内容原子 —— 并以断言保证无损可逆、零生成、事实守恒。工具数 18 → 20。 相关性下限。 此前每一路打分都对自身最大值归一化，导致融合分没有绝对含义。经过标定的下限让召回可以诚实地返回空。 去掉访问计数正反馈。 此前仅仅先问过六个无关问题，就足以把干扰项抬到正确答案前面。现在加成是乘性的，且封顶 5%。 图通道真正承担召回。 边写入时丢掉了记忆 id，导致图遍历从未真正返回过数据却仍占着融合权重。已修复，并对存量库回填。 时间通道纠正。 正文里写了日期的记忆反而因为"更具体"被扣分。现在除非查询显式带时间意图，否则用记录自身的时效。 写入侧语义去重 ，并附一条硬约束：改一个字就是另一个事实的片段，相似度再高也绝不合并。 recall_health 与三段式 doctor —— 记忆栈可以活着却在变差，所以指标面必须报质量，而不只是存活。 7.0.1 —— 2026 年 9 月 14 日 forget 工具，默认软遗忘：置信度归零、状态标记为 deleted、审计链保持完整。工具数 13 → 14。 记忆更正 ，通过 retain(supersedes=…) —— 旧说法被标记为 superseded 而非删除，召回会回传哪条已被取代。 Qdrant 向量后端插件 ，内置熔断器、代理绕过、预热与健康探测 —— 一个跨进程持久的向量索引。 快速写入路径补上向量索引 ，让经它写入的记忆也能参与语义召回。 三份新文档 ，以及一套参数化的 21 项断言生命周期脚本。 7.0.0 —— 2026 年 8 月 25 日 第一个正式版：一套零依赖、本地优先的记忆系统。 SQLite + FTS5，WAL 模式，兼容 JSONL，并提供 migrate 迁移路径。 SHA-256 哈希链账本，verify_chain() 可指出被篡改的那一条记录。 写入时公证：来源指纹、交叉印证、注入检测、时间一致性检查。 插件体系：numpy_vector、crypto、reranker、hrr、async、context-engine。 MCP 服务端，支持令牌鉴权与多租户命名空间隔离。13 个工具。 记忆交换协议导出与导入。 遗忘经济学：低价值记忆迁移至温 / 冷层，gzip 归档加布隆过滤 —— 而不是删除。 Token 预算器、字段级脱敏、本地暗色控制台与异步 API。 ## /pricing/ 价格 Free 永久免费；Pro $6.9/月；Team $19.9/席位/月。免费额度无需绑卡。 引擎是 MIT 许可，免费那一档也没有被阉割 —— 全部 52 个 MCP 工具都在里面。付费买的是托管、多租户与合规交付，而不是解锁你本来就有的功能。 你到底在为哪些东西付费 托管与协同 托管部署包 —— 免费云主机、免费嵌入 API、免费 HTTPS 隧道 —— 让你不必自己运维。 多租户 令牌映射命名空间，存储与审计链都是物理独立，因此一次部署可以服务多个团队而不共享任何表。 合规交付 面向 HIPAA、等保、GDPR 与 PIPL 的映射、导出格式与审查通道。 支持与 SLA 从免费档的社区工单，到企业版的专属通道与 99.9% 可用性。 部署方式始终由你选 同一份源码可以跑在笔记本、私有虚拟机、Kubernetes 或气隙机柜上。付费档没有增加任何 MIT 引擎不具备的能力 —— 它增加的是协同、治理和一个可以打电话的人。 自托管是一等选项。 免费额度部署包就在仓库里。 导出永远可用。 带着你的记忆离开，就是一个命令行，任何档位都一样。 不按席位计费。 每一档都含无限最终用户。 价格为美元、按月计费、不含税。企业条款、OEM 授权与源码级协议请通过联系表单沟通。 会改变什么 跨工单、跨渠道的连贯性 一个存储、每位客户一个命名空间。网页工单与电话记录看到的是同一段历史。 能交接的升级备注 归并后的情景摘要可以在智能体之间、以及智能体与人之间干净地交接。 矛盾被摆出来，而不是被埋掉 事实冲突检测会标记"两条记忆不可能同时为真"的情况 —— 这是支持场景里价值最高的信号。 一本能给监管方看的账 每一次读写都串进链里；审计轨迹是证据，而不是回忆。 为什么本地优先在这里重要 支持场景是个人数据最集中的地方，也恰好是监管最先看的地方。因为存储是你掌控的文件，留存策略变成一次文件系统操作而不是一场供应商谈判 —— 并且脱敏发生在写入时，早于数据在任何下游系统里存在。 字段级脱敏在写入时完成 —— 卡号与凭据从未进入存储。 软遗忘 既履行删除请求，又保持审计链完整。 每租户独立审计轨迹 ，审查一位客户的账本不必暴露另一位。 一个务实的形态 每位客户对应一个命名空间。每一轮对话写成情景；其中的事实落进图谱。新工单进来时，召回只在这个命名空间内跑，且注入量小到最便宜的模型也扛得住。 每条消息调 add_conversation_turn() 模型看到工单之前先跑 recall(budget_tokens=100) 定时跑 reflect()，把反复出现的实体与矛盾捞出来 用 consolidate() 防止近重复情景挤占候选池 会改变什么 按患者隔离的连续性 既往发现、治疗路径与偏好挂在患者身上，而不是挂在某次会话上。 时序问题分别回答 "上次就诊时是这样"与"现在是这样"是两个不同的问题，版本链两个都能答。 设计上可气隙运行 在院内网络中部署不需要任何出网，因为引擎本身没有云端依赖。 防篡改的记录 哈希链账本让任何改动都可被发现，并指出具体是哪一条。 引擎能帮什么、不帮什么 Mnemosyne OS 是记忆层，不是临床决策系统。它决定哪些上下文值得被呈现，并证明没有被静默改动。诊断、剂量与临床判断不在它的范围内 —— 这是刻意的。 歧义在结构上被消解。 "患者对青霉素过敏"与"……曾经对青霉素过敏"是两个版本，而不是一条被覆盖的记录。 事实冲突被摆出来 ，而不是按新旧直接判胜负。 去重拒绝合并 ：只要数字、日期、剂量或标识符不同。 合规姿态 HIPAA 的映射与机制一起维护，部署形态让数据驻留始终在你的掌控内 —— 院内、私有云或完全气隙。 HIPAA 映射持续维护 0 出网 可气隙运行 SHA-256 哈希链账本 本地 你的基础设施 会改变什么 关于学习者的模型，而不是一份逐字稿 掌握了哪些概念、持有哪些误解、以及哪种节奏真的奏效。 会变化的置信度 confidence_history 记录系统当时有多确定，以及随着证据到位这份确定如何移动。 数据由学校掌控 学生数据留在学校边界之内 —— 而这通常本来就是能不能被采用的前提。 便宜模型也扛得住的注入量 100 token 的注入让记忆不必依赖旗舰模型也照样可用。 它是为这些问题而建的 "这个学生上学期卡在哪？" —— 在版本链上做时序查询。 "哪几个误解反复出现？" —— reflect() 的深度模式发现，跨情景扫描。 "哪种讲法对他有效？" —— 偏好与意图经标签通道召回。 "这里有东西被改过吗？" —— 账本用证据回答。 部署 一台院系机器就能跑完整个东西。向量层是可选的，所以没有 GPU 也没有云预算的学校，仅靠 SQLite 与 FTS5 就能获得完整功能。 可离线运行 —— 教学闭环里没有网络依赖 每个班级或每个学生一个 SQLite 文件，随你选 断网时退回本地词法索引，而不是直接失败 会改变什么 过程，而不只是结果 关键联系人为什么换岗、是哪条异议真正杀掉了单子、三月份谁说了什么。 带时间维度的客户历史 "上季度这个客户处于什么位置"与"现在处于什么位置"是两个可分别回答的问题。 团队之间的一致性 一台机器、多个命名空间：共享的客户事实放共享命名空间，个人笔记留在私有命名空间。 经得起追问的预测输入 每个结论都能一路追回到产生它的那条记录。 它放在哪个位置 Mnemosyne OS 不是系统记录。它待在 CRM 旁边，回答 CRM 从来就不是为它而设计的那些问题 —— 那些需要句子而不是字段的问题。 自动抽取实体 ，把联系人、公司与产品变成图谱节点，不需要额外录入。 consolidate() 防止几个月的近重复会议记录把主要来源挤出去。 检出冲突 ：两位销售记下了互相矛盾的下一步动作。 forget() 履行数据删除请求，同时不破坏审计链。 一个务实的部署 销售工具通常托管在云上，因此真正有意思的配置是多租户那一套 —— 一次部署、每个客户团队一个命名空间、用令牌映射做隔离，而不是权限过滤。 令牌映射到命名空间 每个命名空间独立存储与独立向量集合 每个命名空间独立哈希链审计轨迹 会改变什么 记住偏好，而不是设置项 尺码、穿着体验的抱怨、避开的材质与偏好的品牌，记住一次，处处生效。 跨会话的连续性 助手不会再问三周前就已经被告知的事情。 退货与支持上下文 一次退货对话开始时，订单历史已经在上下文里了。 快得像本地的延迟 召回 p50 0.21 ms，意味着记忆不会给商品页加上任何可感知的延迟。 token 层面的论证 个性化通常与成本对立，因为上下文每次调用都要重发。预算召回把这件事反过来：只有装得进预算的东西才进入模型，而装不进去的也不会被丢掉 —— 它作为胶囊保持可寻址。 budget_tokens 给注入量封顶 ，再长的客户历史也无法把账单吹起来。 被降级的条目保留指针与关键原子 ，所以尺码和订单号不会因为预算被砍掉而消失。 胶囊 key 由内容派生 ，同一记忆在同一预算下产出逐字节相同的胶囊，上游前缀缓存持续命中。 数据姿态 购物车与浏览历史是零售商手上商业敏感度最高的数据之一。因为存储是你掌控的文件，留存窗口由你自己的流程执行，脱敏发生在写入之前，而不是事后从某个导出文件里补。 0 云端 无第三方存储 写入时 即完成脱敏 每租户 独立审计链 $0 免费额度可部署 ## /contact/ 联系我们 商务合作、技术支持与创业计划申请。 部署问题、产品演示、企业评估或合作意向 —— 告诉我们你的需求，团队会直接与你联系。 直接联系方式 客服 —— [phone — see https://ai-memory.net/contact/] 周一至周五，中国境内工作时间。 公司 —— 广东鑫室铭实业有限公司 注册资本：壹仟万元港币（HKD 10,000,000）。 地址 —— 中国粤澳深度合作区 来访请提前预约，先致电确认。 GitHub Issues 缺陷报告、功能请求与安全相关问题。技术类问题走这里最快。 企业与 OEM 气隙部署、源码级协议与白标授权。 会发生什么 工程类问题 通常通过 GitHub Issues 得到最快答复，而且答案会留在这里，方便下一个人检索。 企业评估 包含一次部署演示，以及针对你所在司法辖区的合规映射说明。 安全报告 收到即确认，并在披露之前修复 —— 详见信任中心的模型说明。 产品文档、完整 API 参考与全部回归套件都在仓库里。很多问题在那里已经有答案，不必等回复。 ## /careers/ 招聘 Mnemosyne OS 团队的开放职位。 我们是一个小团队，在做一件很快就会变成所有人问题的事：让 AI 智能体可靠地、低成本地、并且在用户自己的掌控之下记住东西。 目前没有开放职位 我们眼下没有按固定清单在招人。不过在这种公司，最快的面试就是一个 pull request：如果你读了代码、发现了值得改的地方并且把它交付了，我们会认真读。 开源优先。 对 github.com/MnemosyneOS/mnemosyne 的贡献，是我们能读到的最强信号。 KNOWN_DEFECTS.md 是公开的。 里面任何一条都可以动手，一个带测试的修复比一份简历更有价值。 回归测试才是重点。 如果你的改动让那套 94 项断言的套件更强，请在描述里写清楚。 工作大概是什么样 检索质量、记忆压缩、存储引擎与协议工作 —— 标准是：一个没有断言跟在后面的论断不算数。如果你享受读一个测量结果、怀疑自己的结论、然后把失败也照样写下来的过程，这就是那样的团队。 检索与排序 五路融合、相关性标定，以及诚实地返回空结果。 压缩 无损、可寻址，并带守恒证明的压缩。 存储与账本 SQLite 内部机制、哈希链完整性、分层与遗忘经济学。 协议与集成 MCP 工具面、多租户隔离与宿主适配。 随时可以通过联系表单投递自荐 —— 先告诉我们你会在引擎里改什么，以及为什么。 ## /startup/ 创业计划 早期团队可免费获得 12 个月 Pro 权益。 如果你正在做 AI 智能体，记忆不该是需要做两遍的东西。这个计划为早期团队免费提供专业版，直到你找到产品与市场的契合点。 计划包含 专业版，免费十二个月 多租户命名空间、Qdrant 向量后端、HTTP 网关与优先支持。 一次部署陪跑 我们帮你把这套栈立起来 —— 如果暂时没有基础设施预算，就用免费额度部署包。 架构评审 一次关于记忆设计的会：写什么、让什么衰减、什么永远不要存。大多数质量问题都从这一步开始。 结构上没有锁定 你存下的一切就是一个 SQLite 文件。想走的时候一条命令导出，全部带走。 谁符合条件 天使轮到 A 轮之间 ，有智能体产品或智能体周边的产品在开发中。 团队少于 25 人 ，成立不满三年。 愿意让存储保持属于自己 —— 我们要的是一个案例，不是一个 hostage。 不是竞品： 我们是记忆层，不是智能体平台，这个计划面向在它之上做东西的团队。 我们为什么要做这件事 记忆设计是智能体工程里最容易做错、也最难事后补的部分。早早定下写入、衰减与脱敏策略的团队，不会在半年后被迫重做一遍存储 —— 而这些团队的反馈，正是让引擎变好的输入。 在写第一行集成代码之前先做一次记忆设计评审 计划期内直达的缺陷与需求反馈通道 如果你从别的记忆层迁过来，我们提供迁移支持 ## /api-reference/ API 参考 Mnemosyne OS HTTP API：记忆写入、召回、图谱、审计链。 一个 Python 类、一套命令行、一个 HTTP 面、52 个 MCP 工具 —— 底下是同一个 SQLite 文件。没有任何一个是定制接口，所以智能体能用 SDK，控制台也能读同一个存储。 Python —— MemoryBrain 一个对象持有整个存储。写入、更正、召回、生成上下文快照都通过它。 from mnemosyne import MemoryBrain brain = MemoryBrain("./memories", enable_embeddings=False) brain.ensure_init() # 写入 —— 指纹去重、实体抽取、版本链全部自动完成 brain.retain("The user's GPU is an RTX 4090", fast=True) # 更正之前的说法，而不删除历史 brain.retain("The user swapped to an RTX 5090", supersedes=old_id) # 会话历史，以及给下一轮的上下文快照 brain.add_conversation_turn("session-1", "user", "Tell me about Apple") hits = brain.search_conversations("Apple", session_id="session-1") snapshot = brain.build_context_prompt(query="Apple", max_chars=2000) 带 token 预算的召回 预算是一条硬约束，不是提示。放不进正文的条目会被降级为可寻址的胶囊（稳定指针 + 关键原子），而不是被静默丢弃。账目会如实告诉你发生了什么。 results, cost = brain.recall("what GPU do I use", k=5, budget_tokens=100) cost["budget_limit"] # 100 cost["budget_used"] # 实际注入的 token 数 cost["budget_respected"] # True cost["capsule_count"] # 被降级为胶囊的条数 cost["dropped_count"] # 恒为 0 —— 没有东西被直接扔掉 MCP 工具 —— 52 个，走 stdio 或 Streamable HTTP 完整的工具面：四十一个原生（含 8.1.0 新增的二十一个记忆形成层工具），外加十一个沿用通行 Agent 记忆工具名的别名，既有 MCP 客户端无需重写。智能体只要声明它们就获得了记忆能力，不需要胶水代码，也不需要自写工具层。 retain 写入一条记忆。 recall 在 token 预算内召回记忆；回传置信带与胶囊层级。 retain_batch 批量写入并透传元数据 —— 吞吐约为逐条写入的 15 倍。 capsule 把一条记忆压成 AIC 胶囊：稳定指针 + 结构化事实 + 关键原子。 expand 按指针取回原文，并做内容哈希校验。 recall_health 检索质量遥测：命中分布、被相关性下限剔除的条数、延迟、胶囊缓存命中率。 stats 运行计数 —— 写入、召回、节省的 token。 graph_query 从某个实体出发，沿知识图谱走 N 跳。 temporal_query 查询版本链 —— 某个时间点曾成立的事实，而不只是现在成立的。 list_projects 列出这个存储里隔离的命名空间。 doctor 体检：完整性、记录数、磁盘、向量后端、图边规模。 audit 读取审计轨迹。 confidence_history 系统当时有多确定，以及这份确定随时间如何变化。 consolidate 把高度相似或同义的多条记忆合并为一条代表记录；原文标记为 consolidated，绝不删除。 reflect 按类型 / 层 / 事实类型 / 置信度汇总，附高频实体、事实冲突检测与时间密度。 dedup 通过内容指纹与相似度检出重复与近重复；dry_run 只报告不写库。 forget 按 memory_id 或自然语言 query 遗忘一条记忆 —— 默认软遗忘，审计链保持完整。 memory/export-v1 通过记忆交换协议导出。 memory/import-v1 通过记忆交换协议导入。 memory/claim 把外部导出中的记忆认领进当前命名空间。 add_memory 客户端兼容别名 —— 为用户或智能体保存文本或对话历史。 search_memories 客户端兼容别名 —— 带过滤条件的语义检索。 get_memories 客户端兼容别名 —— 结构化过滤 + 分页列举。 get_memory 客户端兼容别名 —— 按 id 取回单条。 update_memory 客户端兼容别名 —— 覆盖文本与 / 或元数据。 delete_memory 客户端兼容别名 —— 删除单条。 delete_all_memories 客户端兼容别名 —— 清空一个作用域。 delete_entities 客户端兼容别名 —— 删除实体并级联。 list_entities 客户端兼容别名 —— 列出用户 / 智能体 / 应用 / 运行。 list_events 客户端兼容别名 —— 列出记忆操作。 get_event_status 客户端兼容别名 —— 轮询异步操作状态。 HTTP 与控制台 同一个存储，在本地暴露出来。控制台随包发布、不依赖任何外部 CDN，REST 端点就是它跑的那一套。 python -m mnemosyne.webui.web_server --port 9090 # 然后打开 http://127.0.0.1:9090 # 首次运行会创建 admin / mnemosyne —— 登录后请改密码 协议版本 2024-11-05 / 2025-03-26 / 2025-06-18 三档，在 initialize 时协商：客户端提议的版本在支持列表内就照它回，否则回服务端自己最高的那一档。MCP 工具面保持向后兼容：7.0.0 是 13 个，7.0.1 是 14 个，7.0.2 是 20 个，8.0.0 是 31 个，8.1.0 是 52 个，每次增加都是纯增量。