MemOS — операционная система памяти для LLM и AI-агентов

Откройте любой AI-агент без слоя памяти — и увидите одного и того же пациента: вчерашние договорённости забыты, предпочтения выясняются заново, а «продолжим завтра» означает «начнём с нуля». MemOS — проект компании MemTensor, который предлагает лечить это системно: не очередным векторным хранилищем, а полноценной «операционной системой памяти» для LLM и AI-агентов. Название не метафора: MemOS унифицирует три операции с памятью — store / retrieve / manage — через единый API, где память устроена как граф, который можно инспектировать и править, а не как чёрный ящик с эмбеддингами.

Проект распространяется под лицензией Apache 2.0, написан на Python и собрал около 11 тысяч звёзд на GitHub. Под капотом — две научные работы на arXiv: «MemOS: A Memory OS for AI System» и более ранняя статья про Memory-Augmented Generation (MAG) — подход, при котором память встраивается в генерацию модели как первоклассный ресурс наравне с параметрами и контекстом.

Ключевые возможности

Пять столпов, на которых стоит MemOS:

• Unified Memory API — один API для добавления, поиска, редактирования и удаления памяти. Память структурирована как граф: её можно инспектировать и править вручную, а не гадать, что лежит в невидимых векторах.
• Multi-Modal Memory — нативная поддержка текста, изображений, tool-трейсов и персон. Всё это извлекается и используется вместе, в одной системе памяти.
• Multi-Cube Knowledge Base Management — несколько баз знаний как компонуемые «кубы памяти» (memory cubes): изоляция, контролируемый шеринг и динамическая сборка между пользователями, проектами и агентами.
• MemScheduler — асинхронная обработка операций памяти с миллисекундными задержками ради стабильной работы под высокой конкурентной нагрузкой.
• Memory Feedback & Correction — память можно уточнять на естественном языке: исправлять, дополнять или заменять существующие воспоминания по мере того, как меняется реальность.

Последний пункт на практике важнее, чем кажется: люди меняют мнение, проекты переезжают, и система, которая только накапливает, со временем превращается в свалку устаревших фактов.

Четыре способа подключения

MemOS спроектирован вокруг четырёх точек входа — под разные сценарии и уровень паранойи по поводу данных:

Self-host за одну команду

Если данные должны жить у вас — MemOS поднимается как REST-сервис через Docker:

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
cp docker/.env.example .env          # вписать свои API-ключи
cd docker
docker compose up                    # MemOS API + Neo4j + Qdrant

API окажется на http://localhost:8000. В .env настраиваются LLM-провайдер, эмбеддер, векторная база, графовая база и планировщик. Можно и без Docker — через uvicorn memos.api.server_api:app, если Neo4j и Qdrant уже запущены.

Работа с памятью через самохостовый API выглядит так:

import requests, json

headers = {"Content-Type": "application/json"}
base = "http://localhost:8000/product"

# 1. Создаём куб памяти
requests.post(f"{base}/create_cube", headers=headers, data=json.dumps({
    "cube_name": "Alice's memory",
    "owner_id": "alice",
    "cube_id": "alice_cube",
}))

# 2. Добавляем воспоминание
requests.post(f"{base}/add", headers=headers, data=json.dumps({
    "user_id": "alice",
    "writable_cube_ids": ["alice_cube"],
    "messages": [{"role": "user", "content": "I like strawberry"}],
    "async_mode": "sync",
}))

# 3. Ищем по памяти
res = requests.post(f"{base}/search", headers=headers, data=json.dumps({
    "query": "What do I like?",
    "user_id": "alice",
    "readable_cube_ids": ["alice_cube"],
}))
print(res.json())

Для облака всё то же самое, только базовый URL — https://memos.memtensor.cn/api/openmem/v1, а авторизация — по ключу вида mpg-... (который разработчики просят держать на сервере).

Плагины: OpenClaw, Hermes и DeepSeek Harness

Самый близкий разработчикам сценарий — добавить постоянную память в готовые кодинг-агенты. У MemOS есть официальные плагины для OpenClaw, Hermes Agent и DeepSeek Harness, объединённые одним локальным ядром памяти.

Локальный плагин — стопроцентно он-девайс: ничего не покидает машину. Хранилище — SQLite, поиск — гибридный (FTS5 + векторы), есть умная дедупликация и многоуровневая эволюция скиллов: L1-трейсы (что происходило), L2-политики (какие подходы сработали), L3-модели мира, плюс «кристаллизованные» скиллы — переиспользуемые уроки из прошлых задач. Для инспекции всего этого есть Memory Viewer — дашборд в комплекте (apps/memos-local-plugin/viewer/).

Установка для DeepSeek Harness:

curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh | bash -s -- --agent dsh --profile web

Для OpenClaw и Hermes — та же команда без флагов; для Windows есть PowerShell-скрипт. Требуется Node.js и уже установленный агент.

Облачный плагин — тот же сценарий, но память хостится у MemTensor. Ставится одной командой:

openclaw plugins install @memtensor/memos-cloud-openclaw-plugin@latest
openclaw gateway restart

Для DeepSeek Harness — через нативный механизм плагинов DSH:

npx @deepseek-ai/dsh plugin --profile web add @memtensor/memos-cloud-dsh-plugin@latest

Дальше в ~/.dsh/.credentials.yaml кладётся API-ключ, в ~/.dsh/settings.yaml — минимальная конфигурация плагина. Работает это так: перед первым шагом модели в каждом запросе плагин подтягивает из облака релевантные воспоминания, а после успешного хода сохраняет новые сообщения — ядро агента при этом менять не нужно. Отдельно отмечена fail-open архитектура: временный сбой MemOS Cloud не прерывает текущую задачу.

Бенчмарки

Команда измеряет MemOS через OmniMemEval — собственную унифицированную методику, где 14 коммерческих memory-продуктов сравниваются на десяти датасетах (5 задач пользовательской памяти и 5 агентских). Оттуда же основные цифры:

Самая показательная цифра — агентская: с памятью MemOS OpenClaw поднимает средний процент выполнения задач с 36,63% до 50,87% на пяти агентских задачах. В описании облачного плагина фигурирует и экономия: до 72% меньший расход токенов (в описании репозитория — 35,24% экономии токенов за счёт персистентной памяти и гибридного поиска).

Для чего это нужно

Типовые сценарии из документации:

• AI-ассистенты с последовательными, богатыми контекстом диалогами;
• customer support, который помнит прошлые тикеты и историю пользователя;
• персонализированные агенты, подстраивающиеся под предпочтения конкретного человека;
• мультиагентная коллаборация с общей или изолированной памятью.

Лицензия и экосистема

MemOS — открытый проект под Apache 2.0. Документация живёт на memos-docs.openmem.net, платформа — на memos.openmem.net, исследования — в двух статьях на arXiv (2507.03724 и 2505.22101). Сообщество собирается в Discord и на GitHub Discussions.

Если коротко: MemOS — это попытка перестать относиться к памяти агента как к приложению поверх чата и начать строить её как операционную систему — с планировщиком, изоляцией ресурсов, инспектируемым состоянием и эволюцией навыков. Причём попытка, у которой есть бенчмарки, плагины под популярные кодинг-агенты и режим работы, при котором данные вообще не покидают вашу машину.