MemOS README

The project's README from github.com/MemTensor/MemOS. As one markdown file: README.md.

MemOS Logo   MemOS 2.0 Stardust（星尘）

Docs ArXiv X Discord
Resources

Give your Agent persistent memory and the ability to grow.

English | 中文

MemOS agent ecosystem: OpenClaw, Hermes, and DeepSeek Harness

[!TIP] New: Connect MemOS to DeepSeek Harness (dsh)

Add automatic recall, background capture, hybrid retrieval, and a local Memory Viewer to DeepSeek Harness—powered by the same MemOS core used across agent ecosystems.

Get started →

👾 MemOS: Memory Operating System for LLM & AI Agents

MemOS is a Memory Operating System for LLMs and AI agents that unifies store / retrieve / manage for long-term memory, enabling context-aware and personalized interactions with KB, multi-modal, tool memory, and enterprise-grade optimizations built in.

Key Features

News

📊 Performance

MemOS leads across multiple benchmarks — evaluated against mainstream commercial memory products across 5 user memory and 5 agent memory tasks.

Benchmark Score
LoCoMo 88.83
LongMemEval 89.20
PersonaMem v2 40.58
HaluMem 80.91
BEAM-10M 56.75
GDPVal 62.07
LiveCodeBench 64.96
OmniMath 61.00
SWE-Bench 38.46
BrowseComp-Plus 23.85

Evaluated via OmniMemEval — https://github.com/MemTensor/OmniMemEval.

🎯 What MemOS Is For

MemOS gives AI agents long-term memory. Common uses:

🚀 Quick Start

MemOS is built around four entry points. Pick the one that matches your scenario.

Cloud API Self-Host MemOS Cloud Plugin Local Plugin
Best for Your app, fully managed Teams on own infra OpenClaw users, zero ops DeepSeek Harness, Hermes, or OpenClaw; on-device
Setup Get an API key docker compose up openclaw plugins install npm install + agent-specific setup
Infra needed None (hosted) Neo4j + Qdrant None (uses MemOS Cloud) None (local SQLite)
Data lives MemOS Cloud Your servers MemOS Cloud Your machine

☁️ Use the Cloud API (Hosted)

You want to add memory to your app through a fully managed service — no infrastructure to run.

1. Get an API key:

2. Add and search memories:

import requests

API_KEY = "mpg-..."                  # keep this server-side
base = "https://memos.memtensor.cn/api/openmem/v1"
headers = {"Authorization": f"Token {API_KEY}", "Content-Type": "application/json"}

# 1. Add a memory
requests.post(f"{base}/add/message", headers=headers, json={
    "user_id": "alice",
    "conversation_id": "conv_001",
    "messages": [{"role": "user", "content": "I like strawberry"}],
})

# 2. Search memories
res = requests.post(f"{base}/search/memory", headers=headers, json={
    "query": "What do I like?",
    "user_id": "alice",
})
print(res.json())

Next steps:

🖥️ Self-Host the MemOS Service

You want to run MemOS as a REST service on your own machine or cluster.

Option A — Docker (recommended):

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
cp docker/.env.example .env          # fill in your API keys in .env
cd docker
docker compose up                    # starts MemOS API + Neo4j + Qdrant

The API is served at http://localhost:8000.

Option B — Run with uvicorn (without Docker):

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
cp docker/.env.example .env          # fill in your API keys in .env
# Ensure Neo4j and Qdrant are running, then:
cd src
uvicorn memos.api.server_api:app --host 0.0.0.0 --port 8000 --workers 1

See docker/.env.example-full for all configuration options (LLM provider, embedder, vector DB, graph DB, scheduler). The full deployment guide is at https://memos-docs.openmem.net/open_source/getting_started/rest_api_server/.

Try the API:

import requests, json

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

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

# 2. Add a memory
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. Search memories
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())

🧠 MemOS Plugin: Persistent Memory for Your AI Agents ✨

MemOS gives OpenClaw, Hermes, and DeepSeek Harness a shared local memory core; the managed MemOS Cloud Plugin is available for OpenClaw and DeepSeek Harness 🏃🏻

🔌 Plugin 💡 Core Features 🧩 Resources
🧠 memos-local-plugin 2.0 🌐 Website · 📖 Docs · 🐙 GitHub · 📦 NPM
☁️ MemOS Cloud Plugin 🖥️ MemOS Dashboard · 📖 Full Tutorial

1. MemOS Cloud Plugin

Use MemOS Cloud for persistent memory in OpenClaw or DeepSeek Harness — no infrastructure to run.

Install:

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

The plugin recalls memories from MemOS Cloud before each agent run and saves new messages back after the run ends.

DeepSeek Harness

Connect DeepSeek Harness to MemOS Cloud through its native plugin mechanism. Before the first model step of each user request, the plugin recalls relevant cloud memories; after a successful turn, it saves the new user and assistant messages back to MemOS Cloud.

  1. Create a MemOS API Key.

  2. Install the cloud plugin into the default DSH web profile:

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

  3. Add the API Key to ~/.dsh/.credentials.yaml:

    MEMOS_API_KEY: mpg-your-key

  4. Add the minimal plugin configuration to ~/.dsh/settings.yaml:

    memos-cloud:
  apiKeyEnv: MEMOS_API_KEY

  5. Restart the DSH Web profile:

    npx @deepseek-ai/dsh web

The cloud plugin is fail-open: a temporary MemOS Cloud outage does not interrupt the current DSH task.

2. Local Plugin (OpenClaw, Hermes, and DeepSeek Harness)

You use DeepSeek Harness, Hermes Agent, or OpenClaw and want 100% on-device memory — nothing leaves your machine.

Install for DeepSeek Harness (macOS / Linux):

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

Install for OpenClaw or Hermes (macOS / Linux):

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

Install (Windows PowerShell):

irm https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.ps1 -OutFile "$env:TEMP\memos-install.ps1"; powershell -ExecutionPolicy Bypass -File "$env:TEMP\memos-install.ps1"

Requires Node.js and an already-installed DeepSeek Harness, OpenClaw, or Hermes. The installer deploys MemOS to the selected agent runtime; the DeepSeek Harness target installs it as an out-of-tree DSH bundle, while the OpenClaw and Hermes targets write the initial config.yaml in their respective agent homes.

Features: hybrid retrieval (FTS5 + vector), smart dedup, tiered skill evolution (L1 traces / L2 policies / L3 world model), multi-agent collaboration, local-first SQLite storage.

🤝 Community

QR Code

📚 Citation

If you use MemOS in your research, please cite:

@article{li2025memos_long,
  title={MemOS: A Memory OS for AI System},
  author={Li, Zhiyu and Song, Shichao and Xi, Chenyang and Wang, Hanyu and Tang, Chen and Niu, Simin and Chen, Ding and Yang, Jiawei and Li, Chunyu and Yu, Qingchen and Zhao, Jihao and Wang, Yezhaohui and Liu, Peng and Lin, Zehao and Wang, Pengyuan and Huo, Jiahao and Chen, Tianyi and Chen, Kai and Li, Kehang and Tao, Zhen and Ren, Junpeng and Lai, Huayi and Wu, Hao and Tang, Bo and Wang, Zhenren and Fan, Zhaoxin and Zhang, Ningyu and Zhang, Linfeng and Yan, Junchi and Yang, Mingchuan and Xu, Tong and Xu, Wei and Chen, Huajun and Wang, Haofeng and Yang, Hongkang and Zhang, Wentao and Xu, Zhi-Qin John and Chen, Siheng and Xiong, Feiyu},
  journal={arXiv preprint arXiv:2507.03724},
  year={2025},
  url={https://arxiv.org/abs/2507.03724}
}

@article{li2025memos_short,
  title={MemOS: An Operating System for Memory-Augmented Generation (MAG) in Large Language Models},
  author={Li, Zhiyu and Song, Shichao and Wang, Hanyu and Niu, Simin and Chen, Ding and Yang, Jiawei and Xi, Chenyang and Lai, Huayi and Zhao, Jihao and Wang, Yezhaohui and others},
  journal={arXiv preprint arXiv:2505.22101},
  year={2025},
  url={https://arxiv.org/abs/2505.22101}
}

⚖️ License

MemOS is licensed under the Apache 2.0 License.

MemOS (MemTensor/MemOS)

Searching Database…

11.9K ·GitHub
MemOS
Что это такое?MemOS — это операционная система памяти для LLM и ИИ-агентов, которая объединяет сохранение, поиск и управление долговременной памятью, чтобы агенты могли вести персонализированные диалоги с учётом контекста, а не начинать с нуля каждый раз.
Это облачный сервис, сервер для самостоятельного развёртывания или плагин для моего агента?Всё сразу: полностью управляемый Cloud API, REST-сервис, который вы запускаете у себя через Docker, и локальные или облачные плагины, которые устанавливаются в OpenClaw, Hermes Agent или DeepSeek Harness.
Как начать работу?Для Cloud API зарегистрируйтесь на панели управления MemOS и получите API-ключ (он начинается с mpg-); для самостоятельного развёртывания выполните docker compose up; чтобы добавить MemOS в существующего агента, установите локальный или облачный плагин через npm install (например, через 'openclaw plugins install' для OpenClaw).
Какая инфраструктура нужна, если развёртывать сервис самостоятельно?Для самостоятельного развёртывания нужны Neo4j (графовая БД) и Qdrant (векторная БД). Локальным плагинам это не требуется: им нужны только Node.js и уже установленный DeepSeek Harness, OpenClaw или Hermes, а все данные хранятся в локальном файле SQLite.
Что произойдёт, если MemOS Cloud перестанет работать, пока я пользуюсь плагином?Облачный плагин устроен по принципу fail open: временный сбой MemOS Cloud не заблокирует и не прервёт задачу, которую агент выполняет в данный момент.
К каким средам запуска агентов он подключается?Официальные плагины есть для OpenClaw, Hermes Agent и DeepSeek Harness; установщики локальных плагинов предусмотрены для macOS/Linux (shell) и Windows (PowerShell).
Где на самом деле работает сервис для самостоятельного развёртывания?Он работает как REST API-сервер, который запускается либо через Docker (рекомендуется), либо напрямую через uvicorn, на вашей машине или в вашем кластере.
Покидают ли мои данные памяти мою машину?Только если вы используете Cloud API или облачный плагин. Локальный плагин хранит 100% памяти на устройстве без зависимости от облака, используя локальное хранилище SQLite.
Чем память MemOS отличается от обычного хранилища векторных эмбеддингов?Память организована в виде графа, который можно просматривать и редактировать, а не как «чёрный ящик» с эмбеддингами. Кроме того, поддерживается мультимодальный контент: текст, изображения, трассы инструментов и персоны, которые извлекаются вместе.
Что такое многоуровневая эволюция навыков (L1/L2/L3)?Это механизм, с помощью которого локальный плагин превращает сырые трассы взаимодействий (L1) в выученные политики (L2) и, в итоге, в кристаллизованные навыки модели мира (L3). Так агент переиспользует опыт между задачами, а не просто хранит сырые логи.
Насколько MemOS лучше других продуктов памяти?В бенчмарке OmniMemEval он опережает 14 коммерческих продуктов памяти, набирая 88,83 балла на LoCoMo и 89,20 на LongMemEval. Кроме того, он помог OpenClaw поднять средний процент выполнения задач с 36,63% до 50,87% в пяти агентных задачах.
Что такое Memory Viewer?Это панель, которая входит в состав локального плагина и позволяет просматривать и изучать сохранённые воспоминания, трассы и навыки на вашей машине.
What are similar projects?EverOS, brigade, OpenViking, Raven, Memori, m_flow, ruflo, mem0
Which topics is it in?neo4j, graph-database, self-evolving, hermes, memory-management, long-term-memory, vector-database, openclaw, dsh, agent-memory, dsh-plugin, memory
Creator
MemTensor
Size
72.2 MB
Stars
11.9K
Updated
CommitSep 22Releasev2.0.34Sep 23
Age
1y
Commits · 90 Days