Remember Me, Refine Me:如何用ReMe给AI Agent装上长期记忆【免费下载链接】ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.项目地址: https://gitcode.com/GitHub_Trending/me/ReMeReMe 是一个面向 AI Agent 的本地优先local-first自进化记忆管理套件口号正是 Remember Me, Refine Me。它把每一次对话和每一份资料持续沉淀为可读、可编辑、可检索、相互链接的 Markdown 文件让你的智能体助手不再金鱼记忆而是越用越懂你。本文将带你快速了解 ReMe 的核心原理并在几分钟内完成安装与接入。为什么 AI Agent 需要长期记忆如果你用过 AI 编程助手或个人助理大概都遇到过这种场景上周刚交代过先别动登录模块这周它又建议你重构同一个报错排查了三次每次都要从头讲一遍背景聊过的重要决定散落在几十个会话里再也拼不起来。问题的根源是对话结束价值就被关进了历史记录。真正的长期记忆不只是存过还要能持续整理、建立联系并在未来需要时重新参与思考。ReMe 要做的正是这件事围绕一套普通文件完成 捕获 → 索引 → 整合 → 召回 的记忆循环。快速开始三步给 Agent 装上长期记忆ReMe 要求 Python 3.11安装非常简单pip install reme-ai[core]也可以从源码安装并体验完整的 ReMe Studio 可视化界面git clone https://gitcode.com/GitHub_Trending/me/ReMe cd ReMe pip install -e reme_studio -e .[core]启动本地记忆服务reme start服务默认运行在127.0.0.1:2333。接下来写入第一条记忆并搜索reme write \ pathdigest/wiki/quick-start-demo \ nameQuick Start Demo \ description第一个 ReMe 记忆节点 \ content# Quick Start Demo\n\nReMe 把 Agent 记忆保存为可读的 Markdown。 reme search queryagent memory markdown limit5打开浏览器访问127.0.0.1:2333还能看到 ReMe Studio——直接在网页上浏览、编辑和搜索你的记忆 workspace。提示基础的 BM25 检索无需任何 API key。若希望 LLM 驱动的记忆演化Auto Memory / Auto Dream配置一个 OpenAI 兼容的LLM_API_KEY和LLM_BASE_URL即可参考仓库根目录的 example.env。Memory as File记忆首先是你的文件ReMe 的核心设计叫Memory as File, File as Memory长期记忆不藏在黑盒数据库里而是落在 workspace 里的普通 Markdown 文件带 YAML frontmatter 和 wikilink你可以用任意编辑器打开、修改、移动也可以用 Git 备份索引、图谱、缓存全部写在metadata/目录可随时删除重建——文件永远是事实来源。默认的 workspace 结构大致是这样位于当前目录下的.reme/.reme/ ├── metadata/ # 可重建的索引、图谱、缓存 ├── session/ # 对话来源记录 ├── resource/ # 外部原始材料 ├── daily/ # 每日记忆卡片浅加工 └── digest/ # 长期记忆personal / procedure / wiki详见 reme/steps/evolve/ 中实现 Auto Memory 的源码以及 docs/zh/memory_as_file.md 的详细文档。Auto Memory把聊过的事写成每日记忆卡片很多有价值的信息并不是以请记住开头的。比如你在对话里说这周先别重构登录模块上次直接升级依赖导致了兼容问题。这段话里同时包含项目状态、时间约束和失败经验。Auto Memory 会像一位一直在场的记录者从聊天流水中提炼出值得保留的事实写成当天一张按内容命名的 daily 卡片如daily/2026-08-07/login-refactor-decision.md同时把可追溯的对话来源记录保存在session/dialog/中。以后再聊到这个模块Agent 不必翻遍聊天记录就能先看到当时的结论和踩过的坑。Auto Dream让日记长成相互连接的长期知识日记多了会散落各处。Auto Dream 相当于记忆的夜间整理它扫描最近两天发生变化的 daily 文件抽取最多 5 个可复用的记忆单元按内容归入三类长期记忆Personal用户、团队或项目特定的偏好与约定Procedure可再次执行的流程、方法和排查手册Wiki通用的定义、原则和知识。整合时它会自动判断是创建新节点、补充印证、细化还是修正旧结论并用 wikilink 把相关知识连起来即 Auto Link。例如三次零散的构建卡死排查记录会被整合成一份完整的《前端构建卡死排查》手册包含触发条件、排查顺序、无效尝试和适用边界。记忆检索先找到答案再沿关系渐进展开ReMe 的混合搜索组合了三种信号BM25 关键词精确命中术语和编号、可选的 embedding 向量理解换一种说法的语义以及 wikilink 图谱看到命中节点的上下游关系。BM25 与向量结果通过 RRF 按排名融合召回的是带行号的相关片段而不是把整个知识库塞进上下文。召回之后按三层渐进展开先看命中片段 → 再看关系目录只给邻居的路径和摘要→ 最后按需深入原文。这更像人的联想过程先想起一个片段再顺藤摸瓜。公开基准结果它真的记得住吗ReMe 用 LongMemEval 和 BEAM 等基准验证了多会话与超长上下文中的记忆能力评测源码见 benchmark/longmemeval/ 与 benchmark/beam/基准设置样本量Agentic 得分LongMemEval cleaned-s整体500 题89.4%BEAM100K 上下文400 题66.1%BEAM1M 上下文700 题65.0%把 ReMe 接入你正在用的 AgentReMe 既可以作为本地记忆服务CLI / HTTP API / MCP Server独立运行也可以通过 Python API 嵌入宿主进程。目前已有这些现成集成Agent推荐接入方式接入后能力Claude Code启动 MCP service ReMe 插件MCP 召回工具、reme-memoryskill、自动记录会话的 Stop hookQwenPawPython API 进程内嵌入复用宿主生命周期记忆保持本地文件化HermesHTTP service ReMe provider模型调用前自动召回每轮对话后异步执行auto_memoryCodex 等 CLI Agent复制 ReMe Memory skill通过 CLI 搜索、读取和写入记忆以 Claude Code 为例安装 integrations/claude_code/ 下的 ReMe 插件后每次会话结束时会自动把值得保留的内容写入记忆小结ReMe 给出的答案很朴素记忆是用户拥有的文件可读、可改、可备份原始信息保留现场长期知识保留抽象来源可追溯新对话和新资料持续进入旧知识持续被补充和修正每个结论都能通过 wikilink 找到关系和来源Agent 可以记住、整理、搜索和发现但最终控制权始终属于你。如果你希望 AI 不只回答这一次而是理解过去、积累经验、在长期协作中越来越懂你不妨今天就花三分钟跑一遍上面的快速开始命令。更多文档可查看 docs/zh/ 目录下的中文指南。【免费下载链接】ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.项目地址: https://gitcode.com/GitHub_Trending/me/ReMe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/29 15:58:11 · 阅读 1.2k Remember Me, Refine Me:如何用ReMe给AI Agent装上长期记忆
Remember Me, Refine Me:如何用ReMe给AI Agent装上长期记忆【免费下载链接】ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.项目地址: https://gitcode.com/GitHub_Trending/me/ReMeReMe 是一个面向 AI Agent 的本地优先local-first自进化记忆管理套件口号正是 Remember Me, Refine Me。它把每一次对话和每一份资料持续沉淀为可读、可编辑、可检索、相互链接的 Markdown 文件让你的智能体助手不再金鱼记忆而是越用越懂你。本文将带你快速了解 ReMe 的核心原理并在几分钟内完成安装与接入。为什么 AI Agent 需要长期记忆如果你用过 AI 编程助手或个人助理大概都遇到过这种场景上周刚交代过先别动登录模块这周它又建议你重构同一个报错排查了三次每次都要从头讲一遍背景聊过的重要决定散落在几十个会话里再也拼不起来。问题的根源是对话结束价值就被关进了历史记录。真正的长期记忆不只是存过还要能持续整理、建立联系并在未来需要时重新参与思考。ReMe 要做的正是这件事围绕一套普通文件完成 捕获 → 索引 → 整合 → 召回 的记忆循环。快速开始三步给 Agent 装上长期记忆ReMe 要求 Python 3.11安装非常简单pip install reme-ai[core]也可以从源码安装并体验完整的 ReMe Studio 可视化界面git clone https://gitcode.com/GitHub_Trending/me/ReMe cd ReMe pip install -e reme_studio -e .[core]启动本地记忆服务reme start服务默认运行在127.0.0.1:2333。接下来写入第一条记忆并搜索reme write \ pathdigest/wiki/quick-start-demo \ nameQuick Start Demo \ description第一个 ReMe 记忆节点 \ content# Quick Start Demo\n\nReMe 把 Agent 记忆保存为可读的 Markdown。 reme search queryagent memory markdown limit5打开浏览器访问127.0.0.1:2333还能看到 ReMe Studio——直接在网页上浏览、编辑和搜索你的记忆 workspace。提示基础的 BM25 检索无需任何 API key。若希望 LLM 驱动的记忆演化Auto Memory / Auto Dream配置一个 OpenAI 兼容的LLM_API_KEY和LLM_BASE_URL即可参考仓库根目录的 example.env。Memory as File记忆首先是你的文件ReMe 的核心设计叫Memory as File, File as Memory长期记忆不藏在黑盒数据库里而是落在 workspace 里的普通 Markdown 文件带 YAML frontmatter 和 wikilink你可以用任意编辑器打开、修改、移动也可以用 Git 备份索引、图谱、缓存全部写在metadata/目录可随时删除重建——文件永远是事实来源。默认的 workspace 结构大致是这样位于当前目录下的.reme/.reme/ ├── metadata/ # 可重建的索引、图谱、缓存 ├── session/ # 对话来源记录 ├── resource/ # 外部原始材料 ├── daily/ # 每日记忆卡片浅加工 └── digest/ # 长期记忆personal / procedure / wiki详见 reme/steps/evolve/ 中实现 Auto Memory 的源码以及 docs/zh/memory_as_file.md 的详细文档。Auto Memory把聊过的事写成每日记忆卡片很多有价值的信息并不是以请记住开头的。比如你在对话里说这周先别重构登录模块上次直接升级依赖导致了兼容问题。这段话里同时包含项目状态、时间约束和失败经验。Auto Memory 会像一位一直在场的记录者从聊天流水中提炼出值得保留的事实写成当天一张按内容命名的 daily 卡片如daily/2026-08-07/login-refactor-decision.md同时把可追溯的对话来源记录保存在session/dialog/中。以后再聊到这个模块Agent 不必翻遍聊天记录就能先看到当时的结论和踩过的坑。Auto Dream让日记长成相互连接的长期知识日记多了会散落各处。Auto Dream 相当于记忆的夜间整理它扫描最近两天发生变化的 daily 文件抽取最多 5 个可复用的记忆单元按内容归入三类长期记忆Personal用户、团队或项目特定的偏好与约定Procedure可再次执行的流程、方法和排查手册Wiki通用的定义、原则和知识。整合时它会自动判断是创建新节点、补充印证、细化还是修正旧结论并用 wikilink 把相关知识连起来即 Auto Link。例如三次零散的构建卡死排查记录会被整合成一份完整的《前端构建卡死排查》手册包含触发条件、排查顺序、无效尝试和适用边界。记忆检索先找到答案再沿关系渐进展开ReMe 的混合搜索组合了三种信号BM25 关键词精确命中术语和编号、可选的 embedding 向量理解换一种说法的语义以及 wikilink 图谱看到命中节点的上下游关系。BM25 与向量结果通过 RRF 按排名融合召回的是带行号的相关片段而不是把整个知识库塞进上下文。召回之后按三层渐进展开先看命中片段 → 再看关系目录只给邻居的路径和摘要→ 最后按需深入原文。这更像人的联想过程先想起一个片段再顺藤摸瓜。公开基准结果它真的记得住吗ReMe 用 LongMemEval 和 BEAM 等基准验证了多会话与超长上下文中的记忆能力评测源码见 benchmark/longmemeval/ 与 benchmark/beam/基准设置样本量Agentic 得分LongMemEval cleaned-s整体500 题89.4%BEAM100K 上下文400 题66.1%BEAM1M 上下文700 题65.0%把 ReMe 接入你正在用的 AgentReMe 既可以作为本地记忆服务CLI / HTTP API / MCP Server独立运行也可以通过 Python API 嵌入宿主进程。目前已有这些现成集成Agent推荐接入方式接入后能力Claude Code启动 MCP service ReMe 插件MCP 召回工具、reme-memoryskill、自动记录会话的 Stop hookQwenPawPython API 进程内嵌入复用宿主生命周期记忆保持本地文件化HermesHTTP service ReMe provider模型调用前自动召回每轮对话后异步执行auto_memoryCodex 等 CLI Agent复制 ReMe Memory skill通过 CLI 搜索、读取和写入记忆以 Claude Code 为例安装 integrations/claude_code/ 下的 ReMe 插件后每次会话结束时会自动把值得保留的内容写入记忆小结ReMe 给出的答案很朴素记忆是用户拥有的文件可读、可改、可备份原始信息保留现场长期知识保留抽象来源可追溯新对话和新资料持续进入旧知识持续被补充和修正每个结论都能通过 wikilink 找到关系和来源Agent 可以记住、整理、搜索和发现但最终控制权始终属于你。如果你希望 AI 不只回答这一次而是理解过去、积累经验、在长期协作中越来越懂你不妨今天就花三分钟跑一遍上面的快速开始命令。更多文档可查看 docs/zh/ 目录下的中文指南。【免费下载链接】ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.项目地址: https://gitcode.com/GitHub_Trending/me/ReMe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考