智能体记忆库 agentscope-ai/ReMe

面向 AI Agent 的 local-first 自进化个人知识库。

历史版本：0.3.x · 0.2.x · MemoryScope

✨ 为什么选择 ReMe？

🧠 ReMe 将对话和资料持续沉淀为可读、可编辑、可检索、相互链接的 Markdown 记忆。QwenPaw、DeepSeek Harness 等 Agent 可以共享同一个 workspace，共同检索、维护和演化知识，而持久文件始终由用户掌控。

- Memory as File, File as Memory：ReMe 使用带 frontmatter 和 wikilink 的普通 Markdown 保存持久记忆。用户和 Agent 都可以使用熟悉的工具查看、编辑、移动、同步和备份；索引及生成的元数据均可重建。
- 自进化知识库：ReMe 将对话和资料逐步加工为 daily note 与长期知识，在保留来源的同时，持续提炼事实、偏好、流程经验及其关系。
- 精准召回所需上下文。 ReMe 结合 BM25、可选 embedding 和 wikilink 展开，召回带行号的相关片段及其关系，无需把整个知识库塞入 Agent 上下文。
- 一个 workspace，可供不同 Agent 共同使用。 个人助理、coding agent 和其他 Agent runtime 可以通过原生集成、SKILL.md、CLI、 HTTP、MCP 或 Python API 共享同一个本地记忆空间。

📰 最新动态

- [2026.10] - 基于决策模型的上下文压缩：根据下一步任务判断旧工具证据的保留价值，
保护关键历史，并返回可回溯的压缩建议；提供 SVG 流程图、两个真实模型集成场景和 14-query 固定摘要实验，包含强制 Hermes 摘要基线。
- [2026.10] - ReMe 多模态记忆更新：Auto Memory 将会话图片和上下文一起
写入记忆并保留图片来源；Auto Resource 将图片资料整理为可检索、可回溯原图的 daily 卡片。
- [2026.10] - ReMe Studio Playground 上线：无需安装或启动后端，
即可在浏览器中浏览示例记忆文件、编辑 Markdown、探索记忆关联图谱。欢迎大家来体验！

- [2026.09] - 给记忆加上“标签”发布：介绍基于 Markdown 的实体标签、
可重建 Tag Index 与标签过滤检索。
- [2026.09] - Hermes Agent 记忆 Provider 已可使用：支持 HTTP 和 Embedded
两种模式，在模型调用前自动召回、每轮对话结束后异步执行 auto_memory。集成支持 Hermes Agent 0.21 及以上版本，后台任务也会继承当前 profile 上下文。

更多更新

- [2026.09] - OpenClaw 插件 发布：可通过
ClawHub 或
npm 安装，为 OpenClaw 提供原生记忆召回、自动对话捕获和定时整理能力。
- [2026.09] - DeepSeek Harness 插件 发布：可通过
Awesome DSH Plugin 或
npm 安装，提供长期记忆指引、reme_search、自动记忆、Auto Dream 和 ReMe Status。

- [2026.08] - ReMe 博客发布：ReMe 博客 系统介绍了本地优先的记忆架构、
自进化工作流、混合检索、主动发现与评测结果。
- [2026.08] - 新增 ReMe 生态插件：每日论文 可自动发现、解析论文并生成文件化简报；
Auto Fin 可研究最近 24 小时的主题相关财联社新闻，并结合本地记忆构建可追溯报告。欢迎体验。
- [2026.08] - 插件开发能力上线：参考 插件开发 与 插件管理，
为 ReMe 扩展 Component、Step 和 Job；欢迎开发并分享你的插件。
- [2026.08] - 基于 ReMe 的智能体工具使用
经验驱动增强方法 已发布，见 arXiv:2608.03403。
- [2026.07] -
我们的论文 Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution 已被 Findings of ACL 2026 接收。

🚀 快速开始

安装

ReMe 要求 Python 3.11+。

从 pip 安装：

pip install "reme-ai[core]"

从源码安装：

git clone https://github.com/agentscope-ai/ReMe.git
cd ReMe
pip install -e reme_studio -e ".[core]"
cd reme_studio
npm ci
npm run build:static
cd ..

静态构建要求 Node.js 22.13 或更高版本，并让源码安装可以直接使用 Studio。

可选决策模型功能使用 pip install "reme-ai[core,decision]" 安装。配置 TypeSafe API key 后即可启动服务并调用 reme decide，详见决策模型配置。

Docker

使用 Docker 和 Compose 2.24.0+，构建并启动包含 Studio 的 ReMe：

mkdir -p .reme
docker compose up --build -d

打开 <http://127.0.0.1:2333>，完整工作区保存在宿主机的 ./.reme。Linux 用户的 UID/GID 不是 1000 时，请设置对应的 REME_UID 和 REME_GID。模型凭证、自定义路径、发布镜像和升级方式见 Docker 部署。

环境变量配置

如果需要 LLM 驱动的记忆演化或 embedding 检索，请在启动服务前配置环境变量。embedding 默认关闭，因此默认配置不会启动 embedding 模型，也不需要 embedding API key。

cat > .env <<'EOF'
可选：仅在配置中显式启用 embedding 组件后使用。
EMBEDDING_API_KEY=sk-xxx
EMBEDDING_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

必须：auto_memory、auto_resource、auto_dream 和 proactive refresh 需要 LLM。
LLM_API_KEY=sk-xxx
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
EOF

基础文件读写、BM25 检索、wikilink 遍历和 proactive topics 读取不需要 LLM 凭证，可以跳过此步骤并直接启动服务。

[!NOTE]
如需启用基于 embedding 的语义检索，请取消 reme/config/default.yaml 中 components.as_embedding 和 components.embedding_store 的注释，并将 components.file_store.default.embedding_store 从 "" 改为 default。完整说明见记忆检索文档。

启动服务

在一个终端启动 ReMe，并保持运行：

reme start

默认服务地址是 127.0.0.1:2333。如果端口被占用，可以指定其他端口：

reme start service.port=8181
reme start workspace_dir=/tmp/reme-demo service.port=8181

在另一个终端调用正在运行的服务。CLI 会发现服务配置；以下 curl 示例使用默认端口 2333：

reme version
reme health_check
reme help
curl -s http://127.0.0.1:2333/version -H 'Content-Type: application/json' -d '{}'

5 分钟记忆 Demo

服务运行后，可以写入一个记忆节点，让 ReMe 索引并检索它：

reme write \
path=digest/wiki/quick-start-demo \
name="Quick Start Demo" \
description="第一个 ReMe 记忆节点" \
content="# Quick Start Demo

ReMe 会把 Agent 记忆保存为可读的 Markdown。

相关链接：[[digest/wiki/memory-as-file.md]]"

reme search query="agent memory markdown" limit=5
reme read path=digest/wiki/quick-start-demo start_line=1 end_line=20

生成的文件是普通 Markdown，并带有 frontmatter：

name: Quick Start Demo
description: 第一个 ReMe 记忆节点

Quick Start Demo

ReMe 会把 Agent 记忆保存为可读的 Markdown。

相关链接：[[digest/wiki/memory-as-file.md]]

ReMe Studio（可选）

上面的 core 安装已包含 Studio。启动 ReMe 后，打开 <http://127.0.0.1:2333/> 即可浏览、编辑和搜索 workspace。
如需为基础安装单独添加 Studio，可使用 pip install "reme-ai[web]"。源码构建、配置和开发说明见 ReMe Studio 指南。

🤝 将 ReMe 接入你的 Agent

ReMe 既可以作为本地记忆服务，通过 CLI、HTTP API 或 MCP server 接入，也可以通过 Python API 嵌入宿主进程。宿主集成可根据不同 runtime 的能力，将记忆指引、召回和捕获接入 Agent 生命周期。

| Agent | 推荐接入方式 | 接入后能力 |
| DeepSeek Harness | 使用 dsh plugin --profile web add @agentscope-ai/reme-dsh-plugin 安装 @agentscope-ai/reme-dsh-plugin。 | 可配置记忆指引、reme_search、自动对话捕获、定时 Auto Dream 和 ReMe Status。 |
| OpenClaw | 使用 openclaw plugins install clawhub:@agentscope-ai/reme-openclaw-plugin 安装 @agentscope-ai/reme-openclaw-plugin。 | 原生记忆工具、用户触发运行前召回和自动对话捕获。 |
| QwenPaw | 通过 Python API 在进程内嵌入 ReMe。 | 复用宿主生命周期和模型配置，同时保持记忆本地、文件化。 |
| Claude Code | 启动 ReMe 服务后，安装 Claude Code 插件。 | 自动召回、完成轮次分批记录，以及 MCP 查询工具。 |
| Qoder | 启动 ReMe 服务后，安装 Qoder 插件。 | 自动召回、可重试的完成轮次记录、MCP 工具和内置 Skill。 |
| Hermes | 安装 ReMe provider，并选择 HTTP 或 Embedded 模式。 | 模型调用前召回，每轮对话完成后异步执行 auto_memory。 |
| Codex | 启动 ReMe 服务后，安装 Codex 插件。 | 原生 Hook 自动召回、分批记录，以及 MCP 查询工具。 |
| 其他 CLI Agent | 安装或复制 ReMe Memory skill。 | 通过 CLI 搜索、读取和写入记忆。 |

集成演示

Auto Memory
Auto Dream

QwenPaw

Claude Code

🧠 ReMe 如何工作

Memory as File, File as Memory.

ReMe 将 记忆视为文件，让过滤后的对话来源记录和外部资料从 session/、resource/ 渐进加工到 daily/，再沉淀为 digest/。默认 workspace 是当前目录下的 .reme/；可通过 workspace_dir=... 选择其他由用户控制的位置。

Workspace 结构

<workspace_dir>/
├── metadata/ # 可重建的索引、图谱、catalog 和缓存 ├── session/ # 对话来源记录和 Agent session │ ├── dialog/ │ │ └── <session_id>.jsonl # auto_memory 保存的来源消息 │ └── claude_code/ │ └── <session_id>.jsonl # auto_memory_cc 使用的 ReMe 副本 ├── mem_session/ # Agent wrapper 生成的 session/配置，不是用户记忆 │ ├── agentscope/ │ ├── claude_config/ │ └── codex/ ├── resource/ # 外部原始材料 │ ├── <resource>.<ext> # 根目录文件进入当天 daily 层 │ └── YYYY-MM-DD/ │ └── <resource>.<ext> ├── daily/ # 浅加工记忆：当天事实、对话摘要、资源解读 │ ├── YYYY-MM-DD.md │ └── YYYY-MM-DD/ │ ├── <generated_name>.md # 按主题命名的对话或资源卡片 │ └── interests.yaml └── digest/ # 长期记忆：个人事实、流程经验、知识节点 ├── personal/ │ └── {topic/event}.md ├── procedure/ │ └── {topic/event}.md └── wiki/
└── {topic/event}.md

记忆生命周期

ReMe 遵循 capture → index → consolidate → recall 的循环。workspace 文件是持久化的事实来源，metadata/ 中的内容均可重建。

| 能力 | 入口 | 作用 | 输出 |
| auto_memory | Agent hook 或 reme auto_memory | 提炼有长期价值的对话事实，同时保留过滤后的对话来源记录。 | session/dialog/.jsonl、daily/<date>/<generated-name>.md |
| auto_resource | 资源监听或 reme auto_resource | 将 resource/ 下的文件转为带来源链接、按内容命名的 daily 卡片。 | daily/<date>/<resource-card>.md |
| auto_index | 后台监听或 reme reindex | watcher 摄取 daily/ 和 digest/ 中的 Markdown；reindex 只基于已摄取的 chunks 重建 BM25 和 Embedding。 | 可检索的 chunks、BM25、wikilink 图谱和可选向量 |
| auto_dream | dream_cron 或 reme auto_dream | 默认从最近两天内变化的文件中最多提取 5 个可复用 unit，再创建、印证、补充或修正 digest 节点。 | digest/* |
| proactive_read | Agent 决定主动行动前调用 reme proactive_read | 读取独立 proactive refresh 流程生成的 topics；是否以及如何提醒用户由宿主 Agent 决定。 | 来自 daily/<date>/interests.yaml 的结构化 topics |

搜索返回带行号范围的相关 chunks 和数量受限的 wikilink 邻居；可选向量结果通过 RRF 与 BM25 融合。

[!IMPORTANT]

proactive_read 只读取并暴露 proactive refresh 生成的兴趣主题，不会自行联网、发送通知或改写知识库；是否以及如何使用主题，由宿主 Agent 决定。

📊 评测结果

ReMe 通过 Agent 多轮搜索与读取的方式，评测多会话和超长上下文中的记忆能力。下表为仓库中已公开的参考实验结果；模型、prompt、数据集和评判细节见各评测文档。

| 基准 | 设置 | 样本量 | Agentic 得分 | 主要检验内容 |
| LongMemEval cleaned-s | 整体 | 500 题 | 89.4% | 跨会话检索、知识更新与时间推理 |
| BEAM | 100K 上下文 | 20 cases / 400 题 | 66.1% | 十类长上下文记忆任务 |
| BEAM | 1M 上下文 | 35 cases / 700 题 | 65.0% | 超长对话设置 |

在仓库的 π-Bench 评测中，ReMe Agent 在 5 种用户角色上的平均 PROC 得分为 0.580 ，比相同测试模型配置的 NanoBot 高 2.4%。PROC 用于评估隐藏意图完成、针对性澄清、跨会话偏好和规范复用、跨任务依赖推断以及欠规格请求推进等主动性能力。

🧩 扩展与插件

插件是可选的独立 Python distribution，可以贡献 Component、Step、Job backend 和配置，并通过配置显式启用。每日论文与 Auto Fin 均已独立打包，使用说明分别见每日论文和 Auto Fin。

| 插件 | 能力 |
| 每日论文 | 发现并排序论文，使用 Agent 解读 PDF，生成文件化论文笔记和五分钟简报。 |
| Auto Fin | 拉取主题相关财联社新闻，搜索 ReMe 历史材料并生成带 wikilink 的 Markdown 报告。 |

安装、查看、校验、启用和卸载 ReMe 插件的方法见插件管理。

📚 文档

下列文档覆盖主要使用流程，并以当前代码的运行时契约为准。

| 文档 | 主要内容 |
| 快速开始 | 安装 ReMe、启动服务，并执行首次文件和记忆操作。 |
| 基础配置 | 配置 workspace、模型、Service、Job、Component、插件和命令行覆盖。 |
| 服务与部署 | 使用 HTTP、SSE、MCP 和 Studio，并理解默认安全边界。 |
| Memory as File | 理解 workspace 分层、frontmatter、wikilink、chunk 和文件事实来源模型。 |
| Auto Memory | 保留过滤后的对话来源记录，并提炼可复用的 daily 记忆卡片。 |
| Auto Resource | 导入支持的文本与图像资料，转换为可追溯来源的 daily 卡片。 |
| Auto Dream 与 Auto Link | 将 daily 记忆整理为持续演化的 digest 节点和可读 wikilink 关系。 |
| 记忆检索 | 使用 BM25、可选向量、RRF 融合、行号范围召回和渐进式链接扩展。 |
| Proactive | 安全读取兴趣主题，并将其接入宿主 Agent 的决策流程。 |
| 应用场景 | 查看金融研究、研发记忆和个人知识库的完整使用示例。 |
| 框架说明 | 理解 Application、Job、Step、Component、service、配置和生命周期边界。 |
| Agent 集成 | 选择接口，并将 DSH、Claude Code、Codex、Qoder、OpenClaw、Hermes 或其他 Agent 接入 ReMe。 |
| DSH 插件、Claude Code 插件 与 Qoder 插件 | 配置宿主原生召回、自动捕获、记忆整理与诊断。 |
| CLI 与 Job API | 查询命令语法，以及由默认配置自动生成的 Job 参数参考。 |
| 运维与恢复 | 诊断服务、维护索引，并备份、迁移和恢复 workspace。 |
| ReMe 博客 | 了解完整产品故事、设计动机、使用示例和评测摘要。 |

🛠️ 常用命令

运行 reme help 可查看完整 job 列表。常用 workspace 与维护命令如下：

| 命令 | 作用 |
| reme status | 查看有状态数据组件的内存估算及进程 RSS。 |
| reme search | 默认使用 BM25 和 wikilink 检索，启用后增加向量检索。 |
| reme read / reme write / reme edit | 检查和维护 Markdown 记忆文件。 |
| reme traverse / reme graph_snapshot | 浏览 wikilink 邻域或按类别组织的 digest 图。 |
| reme chat | 与可感知 workspace 的只读 Agent 进行流式对话；需要 LLM 凭证。 |
| reme reindex | 基于已摄取的 chunks 重建 BM25 和 Embedding 索引。 |

🤝 社区与贡献

- 问题反馈、需求与帮助：请先查看 Open Issues；如无相关讨论，可新建 Issue 说明背景、目标行为和影响范围。
- 代码贡献：改动前建议阅读贡献指南。架构与扩展方式以源码、schema 和测试为准。
- 文档贡献：请直接更新本仓库 docs/en/、docs/zh/ 或对应 package 目录中的规范源文件；文档站点会从这些文件生成。
- 提交规范：建议使用 Conventional Commits，例如 feat(search): add link expansion option、
docs(zh): update quick start。
- 提交前检查：提交 PR 前请尽量运行 pre-commit run --all-files 和 pytest；如有依赖 LLM、embedding 或外部服务的测试无法运行，请在 PR 中说明。
- 项目文档：访问 reme.agentscope.io。

贡献者

感谢所有为 ReMe 做出贡献的朋友们：

📄 引用

@software{ReMe2026,
title = {Remember me, Refine me: Memory Management Kit for Agents},
author = {ReMe Team},
url = {https://reme.agentscope.io},
year = {2026}
}

⚖️ 许可证

本项目基于 Apache License 2.0 开源，详情参见 LICENSE 文件。