昨天刚被路透 Claude 的「Knowledge Base + Memory」将进行更新，本质上解决的是同一个老问题：
原生的 AI，每一次对话对模型来说都是第一次见你。模型不会记得你之前做过什么、怎么决策、有什么偏好。
要让 AI 看起来记得，我们只能在每次请求时，把历史上下文、用户信息、文档内容一股脑儿重新塞回去。
在逛 GitHub 的时候，我发现了一个已经 3700+ Star 的开源项目：MemOS。
它不是简单拉长上下文窗口，而是把记忆和知识库当成一等公民来管理，专门处理长期记忆、上下文连续性，以及跨对话的状态复用。以及，支持知识库。
更重要的是——
这些能力现在就已经能用。
MemOS 已经支持把文件、URL 等内容接入知识库，并在对话过程中持续更新记忆，让模型不再每次从零开始。项目也在持续维护和快速迭代中，不需要等下一代模型或“未来功能”。
如果你最近刚好在关注 Claude、Coworks 和知识库相关以及记忆机制，
那 MemOS 可以说是一个现在就能上手体验的版本。
MemOS 是行业首个 AI 记忆操作系统，它不仅仅是一个存储工具，通过首创的三层记忆操作架构，为 AI Agent 装上了海马体，让 AI 真正拥有了可成长、可管理的记忆能力。
01
开源项目简介
开源地址：https://github.com/MemTensor/MemOS
如果你不使用 MemOS，去管理 AI 应用的记忆：你通常要自己切分文档、做向量化、写检索逻辑，还得担心上下文超长。
MemOS 这个开源项目的的思路是：把记忆当成一种系统资源来管理，就像操作系统管理内存和硬盘一样。
它有一套完整的框架，让你的 AI 能够：
记住长期互动： 不只是几句对话，而是长期的用户偏好和经历。
自我进化： 随着对话增多，它对你的了解是动态更新的，而不是死的。
多模态记忆： 这点还是很强的，之处图片和文档/图表的理解与记忆，不再局限于纯文本。
知识库能力：你可以直接把文件接入 MemOS，形成可检索、可复用的长期知识资产。支持上传文件 / URL自动解析；一个知识库可被多个项目共享使用；对话持续进行时，记忆可动态更新与修正。
和 RAG 的区别
传统 RAG 方案的核心痛点在于它是无状态的，而 MemOS 提供的是动态的长期记忆。
具体区别可以看下面这两张图：
MemOS 架构
MemOS 的架构确实有点东西。它不仅仅是存取数据，它引入了调度 Scheduling) 的概念。它把记忆分成了好几种类型：
有存文本的 Textual Memory：比如你说了啥，有加速推理的 Activation Memory，这是为了省 token 和加速，甚至还有 Parametric Memory 存 LoRA 权重的。
工具记忆 Tool Memory： 它能记录 Agent 调用工具的轨迹。如果你的 Agent 上次用某个工具报错了，下次它可能就记得要换种用法。这才是真正的智能，而不是每次都掉进同一个坑里。
Redis Streams 调度器： 这就很工程化了。为了处理高并发，它用 Redis Streams 搞了一套多级队列。
03
如何使用
① 创建知识库
你可以登录 MemOS 控制台创建一个新的知识库。然后把各种文件 PDF、Word 等上传至知识库。
MemOS 会自动完成存储、解析、分段和生成记忆。你需要等待文档状态显示为「可用」。在知识库列表页，复制刚刚创建的知识库 ID，后续代码中会用到：
② 准备环境
在 Python 环境中运行以下命令安装必要的库：
pip install OpenAI datetime
准备 API Key
MemOS API Key：去如下网站注册一下，然后打开 API 密钥控制台，生成一个 API 密钥复制一下。
地址：https://memos-dashboard.openmem.net/cn/quickstart/?source=landing
OpenAI API Key：准备你的大模型服务商 Key。
③ 代码实现核心逻辑
你需要编写一个 Python 脚本，先配置环境变量，在代码中设置 API Key 和 知识库 ID：
import osimport jsonos.environ["MEMOS_API_KEY"] = "你的_MemOS_Key"os.environ["OPENAI_API_KEY"] = "你的_OpenAI_Key"os.environ["MEMOS_BASE_URL"] = "https://memos.memtensor.cn/api/openmem/v1" # 替换为你的知识库 ID 列表os.environ["KNOWLEDGE_BASE_IDS"] = json.dumps(["你的_知识库ID"])
然后你只需要调用 MemOS 的三个核心 API，搜索记忆、添加消息、获取消息，就能让 AI 拥有一个能够记住用户偏好且不断进化的知识库。
④ 实例化助手：
ai_assistant = KnowledgeBaseAssistant()user_id = "test_user_001" # 定义一个用户ID
⑤ 启动对话循环：
创建一个 while 循环，接收用户输入 input，调用 ai_assistant.chat() 获取回复并打印。
还有其它的用法，感兴趣的去访问开源项目主页。
