LLMs之AgentMemory：EverMemOS的简介、安装和使用方法、案例应用之详细攻略

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

EverMemOS 的简介

EverMemOS 是一个开源、面向企业级应用的智能记忆系统，致力于打造具备长期记忆能力的 AI 代理。其核心目标是构建一个“永不遗忘”的认知体系，使每次对话都能基于历史交互进行深化理解与响应。

不同于传统仅用于信息回溯的记忆数据库，EverMemOS 具备更强的认知处理能力。它不仅能“记住”过往对话内容，更能通过语义分析和上下文关联，“理解”这些记忆背后的意义，并将其应用于当前决策中。该系统可为对话式 AI 提供持续的记忆支持，通过对交流内容的信息提取、结构化存储与高效检索，帮助 AI 维持连贯语境、回忆用户行为轨迹，并逐步构建动态用户画像，从而实现更自然、个性化且富有逻辑性的交互体验。

在 LoCoMo 基准测试中，采用 EverMemOS 构建的方法实现了 92.3% 的推理准确率（由 LLM-Judge 评估），表现优于同期参与评测的其他方案。相关技术论文正在撰写中。

1、主要特性

• 连贯叙事：突破碎片化记忆局限，系统能自动整合分散的对话片段，形成围绕主题的完整叙述流。例如，在处理多个并行会话时，能够清晰区分“项目A进度讨论”与“团队B策略会议”，并在各自语境下维持逻辑一致性。AI 不再只是回应单条语句，而是理解整个对话脉络。
• 有据感知：超越简单检索机制，具备情境感知（Contextual Awareness）能力。系统能主动识别记忆与当前任务之间的潜在联系。比如当用户请求美食推荐时，AI 可自动调取“用户两天前接受牙科手术”的记录，排除硬质或刺激性食物建议，体现深层次的理解与关怀。
• 鲜活画像：用户画像并非静态存档，而是随每一次互动实时演进。系统持续更新对用户的偏好、表达风格及兴趣点的认知，使得 AI 在长期交互中不断“学习你是谁”，而非仅仅“记得你说过什么”。

2、系统架构

EverMemOS 的运行机制围绕两大核心模块展开：记忆构建（Memory Construction）与记忆感知（Memory Perception），共同构成一个从信息摄入到智能输出的认知闭环。

通过“结构化记忆 → 多策略召回 → 智能检索 → 情境推理”的流程链条，系统实现了真正意义上的“带记忆思考”。

记忆构建层（Memory Construction Layer）

核心组件：

• 原子记忆单元（MemCell）：从原始对话中抽取的关键信息点，作为后续组织与引用的基本单位。
• 多层次记忆结构：将相关对话按主题和故事线聚合，形成可复用的层级记忆网络。
• 多类型记忆分类：涵盖情节、人物画像、个人偏好、关系图谱、语义知识、基础事实以及核心关键记忆等多种维度。

工作流程：

1. MemCell 提取：识别对话中的重要事件、意图或状态变化，生成标准化的记忆单元。
2. 记忆整合：依据话题归属和参与者身份，将 MemCell 聚合成更高层次的情节段落或用户画像条目。
3. 存储与索引：完成数据持久化，并建立关键词索引与语义向量索引，确保后续快速检索。

记忆感知层（Memory Perception Layer）

智能检索机制：

• 混合检索（RRF Fusion）：并行执行语义相似度匹配与关键词匹配，利用倒数排序融合（RRF）算法整合结果，提升覆盖广度与精度。
• 智能重排（Reranker）：使用深度模型对候选记忆进行相关性打分与重新排序，优先呈现最相关的记忆内容。

Agentic 检索增强：

• LLM 引导的多轮回忆：当初始检索结果不足时，系统自动生成2-3个补充查询，发起并行检索并将结果融合，主动填补信息盲区。
• 多视角查询策略：针对复杂意图，分解为多个互补角度的查询请求，通过多路 RRF 融合提升对模糊或深层需求的响应能力。

轻量级快速模式：

专为低延迟场景设计，跳过 LLM 参与环节，直接启用基于 RRF 的混合检索路径，在响应速度与检索质量之间实现灵活权衡。

推理融合（Reasoning Fusion）：

将召回的多层次记忆（如情节背景、用户画像、偏好设置等）与当前对话上下文拼接输入至模型，促使 AI 在明确证据基础上生成回应，有效抑制幻觉现象。

安装与使用指南

1、安装步骤

环境准备（Prerequisites）

• Python >= 3.9
• pip 包管理工具
• 可选：GPU 支持以加速嵌入与重排模型推理
• 基本依赖库：torch, transformers, faiss-cpu/gpu, sentence-transformers 等

安装流程（Installation）

1. 克隆项目仓库：

   git clone https://github.com/EverMind-AI/EverMemOS.git

2. 进入项目目录：

   cd EverMemOS

3. 创建虚拟环境（推荐）：

   python -m venv venv

   source venv/bin/activate  # Linux/Mac

   venv\Scripts\activate     # Windows

4. 安装依赖：

   pip install -r requirements.txt

5. （可选）安装开发依赖：

   pip install -r requirements-dev.txt

2、使用方式

T1、运行演示 Demo（推荐入门方式）

执行内置演示脚本，快速体验系统功能：

python demo.py

该脚本将启动一个交互式对话界面，展示记忆提取、存储与检索全过程。

T2、执行评测流程（Evaluation）

运行基准测试脚本，验证系统性能：

python evaluate.py --benchmark locomo

支持多种评估模式，可用于对比不同配置下的准确率与响应效率。

T3、调用 API 接口

系统提供 RESTful API 端点，支持外部系统集成。

存储单条消息记忆

发送 POST 请求至指定端点，录入单条对话记忆：

POST /api/v1/memory/single
Content-Type: application/json

{
  "user_id": "user_123",
  "message": "我最近在考虑去云南旅行。",
  "timestamp": "2025-04-01T10:00:00Z"
}

批量存储群聊记忆

用于导入多用户、多轮次的群组对话数据：

POST /api/v1/memory/batch
Content-Type: application/json

{
  "conversation_id": "group_trip_plan_01",
  "messages": [
    {
      "user_id": "user_123",
      "content": "我想五一去大理。",
      "time": "2025-04-01T10:05:00Z"
    },
    {
      "user_id": "user_456",
      "content": "丽江也不错，我们可以顺路。",
      "time": "2025-04-01T10:07:00Z"
    }
  ]
}

应用场景实例

1、多线程对话管理

适用于客服系统或多任务助手场景。EverMemOS 能够准确区分不同话题线程，保持各线程内部记忆独立且连贯。即使用户在多个主题间频繁切换，AI 仍能精准还原每个话题的历史上下文，避免混淆。

2、个性化智能推荐

结合用户长期行为记忆（如饮食禁忌、消费偏好、过往选择），系统可在推荐过程中融入深层理解。例如，在推荐电影时不仅考虑类型喜好，还能结合近期情绪表达或生活事件调整建议方向。

3、动态用户画像构建

随着每次交互，系统自动更新用户画像维度，包括性格倾向、沟通风格、价值观偏好等。该画像可用于预测用户反应、优化语言风格匹配度，提升整体交互舒适感。

4、基准测试与学术研究

EverMemOS 已被用于 LoCoMo 等对话记忆基准测试，展现出卓越的记忆推理能力。其开放架构也适合作为学术研究平台，支持对长期记忆建模、检索增强生成（RAG）、认知架构设计等方向的探索。

系统要求

- Python 3.10 或更高版本  
- uv（推荐使用的包管理工具）  
- Docker 20.10 及以上版本，Docker Compose 2.0+  
- 至少 4GB 的可用内存（用于运行 Elasticsearch 和 Milvus 服务）

安装流程

1. 克隆项目仓库  
执行以下命令将源码下载至本地：

git clone https://github.com/EverMind-AI/EverMemOS.git  
cd EverMemOS

2. 启动依赖服务（基于 Docker）  
使用 Docker Compose 一键部署所有必需的后端服务，包括 MongoDB、Elasticsearch、Milvus 和 Redis。

bash
docker-compose up -d

各服务默认端口映射如下：  
- MongoDB: 27017  
- Elasticsearch: 19200  
- Milvus: 19530  
- Redis: 6379  

# 在一个终端中启动并保持运行
uv run python src/bootstrap.py src/run.py --port 8001

3. 安装 uv 包管理器  
若尚未安装 uv，请通过官方脚本进行安装：

bash
curl -LsSf https://astral.sh/uv/install.sh | sh

4. 安装项目依赖项  
使用 uv 安装全部 Python 依赖包：

bash
uv sync

5. 配置环境变量文件  
复制模板生成本地配置文件，并根据需要填写 API 密钥等信息：

bash
cp env.template .env

请在 .env 文件中设置 LLM_API_KEY、DEEPINFRA_API_KEY 等关键参数。

使用方式说明

在开始使用前，请确保已成功启动 API 服务。

T1、运行演示示例（推荐入门方式）

基础功能演示  
该模式适合快速体验核心记忆存储与检索能力。操作步骤如下：  
- 确保 API 服务正在运行（如上一步已完成）。  
- 打开新终端窗口，执行简单测试脚本。

uv run python src/bootstrap.py demo/simple_demo.py

此过程会写入 4 条关于运动爱好的对话记录，等待约 10 秒以完成索引构建，随后发起三次不同类型的查询请求，系统将返回匹配的记忆内容并附带解释说明。

全功能聊天演示  
可清空当前数据库，加载预设的中文对话数据（data/assistant_chat_zh.json），并通过 API 接口实现完整的记忆存取流程。

提取记忆：处理示例对话数据并构建记忆库。

# 在另一个终端中运行
uv run python src/bootstrap.py demo/extract_memory.py

带记忆的交互式聊天程序  
启动后支持自定义选项，包括语言选择、场景模式、对话组别及检索策略，用户可与具备长期记忆能力的 AI 进行自然对话。

# 在另一个终端中运行
uv run python src/bootstrap.py demo/chat_with_memory.py

T2、执行评测任务（Evaluation）

本框架内置对主流长时记忆数据集（如 LoCoMo）的支持，可用于评估不同系统的性能表现。

快速测试 (Smoke Test)：
uv run python -m evaluation.cli --dataset locomo --system evermemos --smoke



完整评测：
uv run python -m evaluation.cli --dataset locomo --system evermemos

测试结果将自动保存至 evaluation/results/{dataset}-{system}/ 目录下，便于后续分析和对比。

T3、直接调用 API 接口

单条消息记忆存储  
可通过 API 提交单条用户消息，系统将其编码并持久化存储。

curl -X POST http://localhost:8001/api/v3/agentic/memorize \
  -H "Content-Type: application/json" \
  -d '{
    "message_id": "msg_001",
    "create_time": "2025-02-01T10:00:00+08:00",
    "sender": "user_103",
    "sender_name": "Chen",
    "content": "我们需要在本周完成产品设计",
    "group_id": "group_001",
    "group_name": "项目讨论组",
    "scene": "group_chat"
  }'

记忆检索机制  

- 轻量级检索（Lightweight Retrieval）：融合向量搜索、关键词匹配与 RRF 加权策略，响应速度快，适用于实时场景。  
curl -X POST http://localhost:8001/api/v3/agentic/retrieve_lightweight \
  -H "Content-Type: application/json" \
  -d '{
    "query": "用户喜欢什么运动?",
    "user_id": "user_001",
    "data_source": "episode",
    "memory_scope": "personal",
    "retrieval_mode": "rrf"
  }'
  

- Agentic 检索（Agentic Retrieval）：由大语言模型驱动的智能检索，能生成更精准的查询表达，虽然延迟较高，但召回质量更优。  
curl -X POST http://localhost:8001/api/v3/agentic/retrieve_agentic \
  -H "Content-Type: application/json" \
  -d '{
    "query": "用户可能喜欢吃什么?",
    "user_id": "user_001",
    "group_id": "chat_group_001",
    "top_k": 20,
    "llm_config": {
      "model": "gpt-4o-mini",
      "api_key": "your_api_key"
    }
  }'
  

批量导入群聊记忆数据  
提供专用脚本支持标准格式的群组聊天记录批量导入，适用于大规模训练或迁移场景。

# 存储中文群聊数据
uv run python src/bootstrap.py src/run_memorize.py \
  --input data/group_chat_zh.json \
  --api-url http://localhost:8001/api/v3/agentic/memorize \
  --scene group_chat

实际应用案例

以下是 EverMemOS 在多个典型场景中的落地实践，体现其在真实环境下的技术价值。

1. 多线程对话上下文管理  
应用场景：  
在 Slack、Teams 等协作平台中，同一频道内常存在多个并行话题，例如“项目A进度汇报”与“团队B下周团建安排”。

解决方案：  
EverMemOS 能够自动识别并分离不同主题的讨论流，为每个话题维护独立的记忆上下文。当 AI 回应某个具体问题时，仅关联对应语境的信息，避免跨主题干扰，保障对话逻辑清晰连贯。

2. 基于记忆感知的个性化推荐  
应用场景：  
用户向智能助手提问：“有什么好吃的推荐吗？”

解决方案：  
AI 不仅基于通用偏好提供建议，还会激活历史记忆模块，回忆起“用户两天前刚接受牙科手术”这一事实，主动排除坚硬或刺激性食物，转而推荐粥类、果泥等温和软食。这种“有据可依”的推理体现了系统的情境理解与人文关怀能力。

3. 动态演进的用户画像构建  
应用场景：  
用户长期与 AI 助手互动，交流内容涵盖兴趣、习惯、情绪等多个维度。

解决方案：  
系统持续积累和更新用户特征，例如记住其为某足球俱乐部忠实粉丝、倾向于简短回答风格、常在晚间咨询健康建议等。这些细节构成一个“活的”用户画像，使 AI 的回应逐渐贴近个体特质，从标准化服务进化为高度个性化的陪伴型智能体。

4. 学术研究与基准测试支持  
应用场景：  
研究人员需在统一标准下比较不同长时记忆架构的表现。

解决方案：  
项目集成完整的评测套件，兼容 LoCoMo、LongMemEval、PersonaMem 等公开学术数据集。开发者可利用该框架开展算法实验、性能调优与成果验证，推动相关领域的技术创新与发展。

综上所述，EverMemOS 成功实现了将碎片化对话转化为结构化、可检索、可推理的智能记忆体系，在企业协作、个人助理、学术研究等多种高价值场景中展现出卓越潜力。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：memory memos agent Ever 案例应用