AI导哈

AI共享记忆服务

ourmem是一款为AI代理提供跨会话、设备和团队的持久共享记忆的服务，通过智能记忆管理和多层级共享架构，解决AI代理的记忆孤岛问题。

  • by ourmem
  • Rust
  • 本地部署
  • 173 星标
  • 更新于
在 GitHub 查看 ourmem/omem

使用说明

OMEM
Shared Memory That Never Forgets

English | 简体中文

问题

你的人工智能代理有健忘症，而且它们是独立工作的。

  • 🧠 失忆 --每个会话都从零开始。偏好、决定、背景——都消失了。
  • 🏝️ 筒仓 --您的Coder代理无法访问您的Writer代理学到的内容。
  • 📁 本地锁定 --与一台机器相连的内存。切换设备，失去一切。
  • 🚫 不共享 --团队特工不能分享他们所知道的。每个特工都会重新发现同样的东西。
  • 🔍 愚蠢的回忆 --仅关键字匹配。没有语义理解，没有相关性排名。
  • 🧩 没有集体智慧 --即使代理在同一个团队中工作，也没有共享的知识层。

我们的人解决了这一切。

我们的成员是什么

ourmem为AI代理提供了跨会话、设备、代理和团队的共享持久内存。一个API键重新连接所有内容。

🌐 网站： 我们的.ai

🧑‍💻 我使用AI编码工具

为您的平台安装插件。内存自动工作——您的代理在会话开始时回忆过去的上下文，并在会话结束时捕获关键信息。

→ 跳到 快速开始

🔧 我正在构建人工智能产品

具有48个以上端点的REST API。Docker一行程序用于自部署。将持久内存嵌入到您自己的代理和工作流中。

→ 跳到 自我部署

核心能力

🔗 Shared Across Boundaries

Three-tier Spaces — Personal, Team, Organization — let knowledge flow across agents and teams with full provenance tracking.

🧠 Never Forget

Weibull decay model manages the memory lifecycle — core memories persist, peripheral ones gracefully fade. No manual cleanup.

🔍 Deep Understanding

11-stage hybrid retrieval: vector search, BM25, RRF fusion, cross-encoder reranking, and MMR diversity for precise recall.

⚡ Smart Evolution

7-decision reconciliation — CREATE, MERGE, SUPERSEDE, SUPPORT, CONTEXTUALIZE, CONTRADICT, or SKIP — makes memories smarter over time.

📖 内存管道架构 --深入了解我们的记忆是如何存储、检索和演化记忆的。

🔗 内存共享架构 --记忆如何在代理和团队之间流动：共享、来源、版本控制和跨空间搜索。

功能概述

类别 功能 详细信息
平台 4个平台 OpenCode、Claude Code、OpenClaw、MCP服务器
共享 基于空间的共享 有来源的个人/团队/组织
来源跟踪 每个共享内存都有完整的谱系
质量门控自动共享 创建内存时触发规则（异步、非阻塞）
支持矢量的共享副本 共享副本携带源矢量嵌入以进行完整搜索
临时共享 重新共享返回现有副本（无重复）
版本跟踪 内存跟踪版本计数器，共享副本通过 ?check_stale=true
重新共享过时的副本 使用最新的源内容和向量刷新过时的共享副本
便捷分享 一步式跨用户分享(share-to-user)和批量份额(share-all-to-user)具有自动桥接功能
组织管理 一步式组织创建(org/setup)并发表(org/publish)有自动共享规则
跨空间搜索 一次搜索所有可访问的空间
摄入 聪明的整理 7个决定：创造、融合、跳过、超越、支持、竞争、反对
噪声滤波器 正则表达式+向量原型+反馈学习
准入控制 5维评分门（实用性、置信度、新颖性、近期性、类型优先性）
双流写入 同步快速路径（<50ms）+异步LLM提取
导入后情报 批量导入→ 异步LLM重新提取+关系发现
自适应导入策略 自动/原子/节/文档——启发式内容类型检测
内容保真度 保留原始文本，双路径搜索（源文本上的矢量+BM25）
交叉调和 通过向量相似性发现记忆之间的关系
批处理自去重 LLM对同一导入批中的事实进行去重
隐私保护 <private> 存储前的标签编辑
检索 11级流水线 矢量+BM25→ RRF → 重新排序器→ 衰变→ 重要性→ MMR多样性
用户资料 静态事实+动态上下文，<100ms
检索跟踪 每个阶段的可解释性（输入/输出/分数/持续时间）
生命周期 威布尔衰变 特定层β（核心=0.8，工作=1.0，外围=1.3）
三层促销 周边↔ 工作↔ 以基于访问的推广为核心
自动遗忘 TTL检测时间敏感信息（“明天”、“下周”）
多模态 文件处理 PDF、图像OCR、视频转录、代码AST分块
GitHub连接器 代码、问题、PR的实时webhook同步
部署 开源 Apache-2.0
自托管 单二进制，Docker单行，每月约5美元
musl静态构建 任何Linux x86_64的零依赖二进制文件
对象存储 AWS S3或任何与S3兼容的存储，支持IAM角色
托管选项 ourmem.ai--无需部署

从孤立的代理人到集体智慧

大多数AI存储系统将知识困在孤岛中。ourmem的三层空间架构实现了跨代理和团队的知识流，具有来源跟踪和质量门控共享功能。

研究表明，协作记忆可以减少高达61%的冗余工作——代理停止重新发现他们的队友已经知道的东西。 --协作记忆，ICLR 2026

个人 团队 组织
范围 一个用户，多个代理 多个用户 全公司
示例 程序员+作家共享偏好 后端团队共享拱形决策 技术标准、安全策略
访问 仅限所有者代理人 团队成员 所有组织成员（只读）

来源跟踪共享 --每个共享的记忆都有其传承：谁共享了它，何时以及从哪里来。共享副本包括源内存的向量嵌入，因此它们在目标空间中是完全可搜索的。

质量门控自动共享 --规则按重要性、类别和标签进行过滤。当创建新的记忆时，规则会自动触发。只有高价值的见解才能跨越空间界限。

运作原理

┌──────────────────────────────────────────────────────────────────┐
│   Your AI Agent (OpenCode / Claude Code / OpenClaw / Cursor)     │
│                                                                  │
│   Session Start → auto-recall relevant memories                  │
│   During Work   → keyword detection triggers recall              │
│   Session End   → auto-capture decisions, preferences, facts     │
└───────────────────────────┬──────────────────────────────────────┘
                            │ REST API (X-API-Key)
                            ▼
┌──────────────────────────────────────────────────────────────────┐
│                       ourmem Server                              │
│                                                                  │
│  ┌─ Smart Ingest ─────────────────────────────────────────────┐  │
│  │  Messages → LLM extraction → noise filter → admission      │  │
│  │  → 7-decision reconciliation (CREATE / MERGE / SUPERSEDE / │  │
│  │    SUPPORT / CONTEXTUALIZE / CONTRADICT / SKIP)            │  │
│  │  → cross-reconcile relations → privacy redaction           │  │
│  └────────────────────────────────────────────────────────────┘  │
│                                                                  │
│  ┌─ Hybrid Search (11 stages) ────────────────────────────────┐  │
│  │  Vector + BM25 → RRF fusion → cross-encoder reranker       │  │
│  │  → Weibull decay boost → importance scoring                │  │
│  │  → MMR diversity → parallel cross-space aggregation        │  │
│  └────────────────────────────────────────────────────────────┘  │
│                                                                  │
│  ┌─ Sharing Engine ───────────────────────────────────────────┐  │
│  │  Personal / Team / Organization spaces                     │  │
│  │  → provenance tracking → version-based stale detection     │  │
│  │  → auto-share rules → one-step share-to-user              │  │
│  └────────────────────────────────────────────────────────────┘  │
│                                                                  │
│  ┌─ Lifecycle ────────────────────────────────────────────────┐  │
│  │  Weibull decay (Core β=0.8 / Working β=1.0 / Peripheral   │  │
│  │  β=1.3) → 3-tier promotion → auto-forgetting TTL          │  │
│  └────────────────────────────────────────────────────────────┘  │
└──────────────────────────────────────────────────────────────────┘
  • 写一次，到处回忆 --内存在会话、设备和代理之间持续存在
  • 随着时间的推移变得更聪明 --和解会自动合并、更新和反驳记忆
  • 跨越边界共享 --个人→ Team → 具有完整来源的组织知识流
  • 无手动内存管理 --Weibull衰变处理生命周期，自动共享规则处理分布

关键概念

API密钥=租户ID=您的身份

创建租户时，返回 id 是 您的API密钥。它们是相同的UUID。没有单独的“租户ID”。

curl -X POST https://api.ourmem.ai/v1/tenants -d '{"name": "alice"}'
# → {"id": "a1b2c3d4-...", "api_key": "a1b2c3d4-...", "status": "active"}
#          ↑ same value ↑

API密钥与空间ID

概念 它是什么 示例 有多少
API密钥 你的身份。进去 X-API-Key 头球 a1b2c3d4-... 每位用户1个
空间ID 内存存储地址。每个都是一个独立的数据库。 personal/a1b2c3d4-... 每个用户多个

一个API密钥拥有多个空间：

API Key "a1b2c3d4"
  │
  ├── personal/a1b2c3d4     ← auto-created, your private memories
  ├── team/e5f6g7h8          ← team space you created (you = Admin)
  ├── team/i9j0k1l2          ← team space you were invited to (you = Member)
  └── org/m3n4o5p6           ← organization you joined (you = Reader)

分享=传递API密钥

要与另一个用户共享记忆，您将其API密钥传递为 target_user:

# Share all your preferences to user Bob
curl -X POST https://api.ourmem.ai/v1/memories/share-all-to-user \
  -H "X-API-Key: your-api-key" \
  -d '{"target_user": "bobs-api-key", "filters": {"categories": ["preference"]}}'

系统会自动在您和Bob之间创建一个桥接团队空间。无需手动管理空间。

快速开始

代理安装（推荐）

给你的AI代理发一条消息。它处理一切-API密钥，插件安装，配置，验证。

托管（ourmem.ai——无需部署）：

平台 将此复制给您的代理
龙虾 Read https://ourmem.ai/SKILL.md and follow the instructions to install and configure ourmem for OpenClaw
克劳德代码 Read https://ourmem.ai/SKILL.md and follow the instructions to install and configure ourmem for Claude Code
开源代码 Read https://ourmem.ai/SKILL.md and follow the instructions to install and configure ourmem for OpenCode
光标/VS代码 Read https://ourmem.ai/SKILL.md and follow the instructions to install and configure ourmem as MCP Server

自托管（您自己的服务器）：

平台 如何安装
龙虾 快跑 openclaw skills install ourmem，然后告诉你的经纪人： setup ourmem in self-hosted mode
克劳德代码 Read https://raw.githubusercontent.com/ourmem/omem/main/skills/ourmem/SKILL.md and install ourmem for Claude Code, self-hosted mode
开源代码 Read https://raw.githubusercontent.com/ourmem/omem/main/skills/ourmem/SKILL.md and install ourmem for OpenCode, self-hosted mode

就是这样。剩下的由你的经纪人处理。

技能安装（备选）：

如果您更喜欢CLI安装，请直接安装ourmem技能：

npx skills add ourmem/omem --skill ourmem -g

这适用于44多个AI代理，包括Claude Code、OpenCode、Cursor等。看 Vercel技能CLI 了解详情。

Manual Install (without agent assistance)

1.获取API密钥

主办单位：

curl -sX POST https://api.ourmem.ai/v1/tenants \
  -H "Content-Type: application/json" \
  -d '{"name": "my-workspace"}' | jq .
# → {"id": "xxx", "api_key": "xxx", "status": "active"}

自我部署：

docker run -d -p 8080:8080 -e OMEM_EMBED_PROVIDER=bedrock ghcr.io/ourmem/omem-server:latest
curl -sX POST http://localhost:8080/v1/tenants \
  -H "Content-Type: application/json" \
  -d '{"name": "my-workspace"}' | jq .

保存返回的 api_key --这将使您从任何机器重新连接到同一内存。

2.安装插件

OpenCode： 添加 "plugin": ["@ourmem/opencode"] 到 opencode.json +配置 plugin_config 随着 apiUrl 和 apiKey 在同一个文件中。

克劳德代码： /plugin marketplace add ourmem/omem +在中设置环境变量 ~/.claude/settings.json.

OpenClaw： openclaw plugins install @ourmem/ourmem +配置 openclaw.json 使用apiUrl和apiKey。

MCP（光标/VS代码/克劳德桌面）：

{
  "mcpServers": {
    "ourmem": {
      "command": "npx",
      "args": ["-y", "@ourmem/mcp"],
      "env": {
        "OMEM_API_URL": "https://api.ourmem.ai",
        "OMEM_API_KEY": "your-api-key"
      }
    }
  }
}

3.验证

curl -sX POST "$OMEM_API_URL/v1/memories" \
  -H "X-API-Key: $OMEM_API_KEY" -H "Content-Type: application/json" \
  -d '{"content": "I prefer dark mode", "tags": ["preference"]}'

curl -s "$OMEM_API_URL/v1/memories/search?q=dark+mode" -H "X-API-Key: $OMEM_API_KEY"

你的代理人会得到什么

内存工具

工具 目的
memory_store 使用智能数据整理保存事实、决策和偏好
memory_search 11级混合搜索（向量+BM25+重排序器）
memory_get 按ID检索特定内存
memory_update 修改内容、标签、重要性、层次
memory_delete 删除内存
memory_list 使用过滤器和分页浏览记忆
memory_ingest 智能摄取完整对话（LLM提取）
memory_profile 自动生成的用户配置文件（静态事实+动态上下文）
memory_stats 分析：标签分布、衰减曲线、关系图

共享工具

工具 目的
space_create 创建团队或组织空间
space_list 列出所有可访问的空间
space_add_member 邀请用户加入共享空间
memory_share 将内存共享到任何来源的空间
memory_pull 将共享内存拉入您的个人空间
memory_reshare 用最新内容刷新过时的共享副本

便利API： share-to-user （一步式跨用户共享，自动桥接）和 share-all-to-user （大宗份额）。MCP公开15个工具+1个资源。OpenCode/OpenClaw公开了11个工具和3个钩子。

智能挂钩

钩子 触发器 发生了什么
会话开始 新会话开始 最近的记忆+用户配置文件自动注入上下文
召回 会话中检测到关键字 相关记忆在没有明确搜索的情况下浮出水面
会话结束 会话结束 自动捕获关键决策、偏好和事实
压实 压缩上下文窗口 跨越压缩边界保留关键记忆

存储空间

在以下网址直观地浏览、搜索和管理您的代理人的记忆 ourmem.ai/空间 --看看记忆是如何随着时间的推移而连接、进化和衰退的。

安全与隐私
Rust内存安全 没有垃圾收集器，没有数据竞争。所有权模型保证了编译时的安全性。
租户隔离 具有查询级租户筛选的X-API-Key身份验证。每个操作都验证所有权。
隐私保护 <private> 标签编辑会在存储前删除敏感内容。
加密 用于所有API传输的HTTPS。S3上的服务器端加密处于静止状态。
准入控制 5维评分门在存储前拒绝低质量数据。
开源可审计 Apache-2.0已获得许可。审核每一行，分叉它，运行你自己的实例。

自我部署

# Minimal (BM25 search only, no embedding API needed)
docker run -d -p 8080:8080 ghcr.io/ourmem/omem-server:latest

# With Bedrock embedding (recommended, needs AWS credentials)
docker run -d -p 8080:8080 \
  -e OMEM_EMBED_PROVIDER=bedrock \
  -e AWS_REGION=us-east-1 \
  ghcr.io/ourmem/omem-server:latest

# With OpenAI-compatible embedding
docker run -d -p 8080:8080 \
  -e OMEM_EMBED_PROVIDER=openai-compatible \
  -e OMEM_EMBED_API_KEY=sk-xxx \
  ghcr.io/ourmem/omem-server:latest

完整部署指南： 文档/DEPLOY.md

对象存储（可选）

默认情况下，我们的内存将数据存储在本地磁盘上。为了实现持久性和可扩展性，请配置AWS S3或任何与S3兼容的对象存储：

# Add to your environment
OMEM_S3_BUCKET=your-bucket            # enables s3:// scheme
AWS_ENDPOINT_URL=https://s3.amazonaws.com
AWS_REGION=us-east-1

# Alternative: OSS-compatible storage
OMEM_OSS_BUCKET=your-bucket           # enables oss:// scheme
OSS_ENDPOINT=https://oss-xx-internal.aliyuncs.com
OSS_ACCESS_KEY_ID=your-ak             # or use ECS RAM role (auto-discovered)
OSS_ACCESS_KEY_SECRET=your-sk

如果两者都有 OMEM_S3_BUCKET 和 OMEM_OSS_BUCKET 如果已设置，OSS优先。

从源代码构建

两种构建模式

模式 命令 二进制 基岩 运行
glibc（完整） cargo build --release 动态链接，约218MB ✅ AWS Bedrock 与构建主机相同的glibc版本
musl（便携式） 见下文 静态链接，~182MB ❌ 仅兼容OpenAI 任何Linux x86_64

glibc构建（带基岩支护）

cargo build --release -p omem-server
# Binary: target/release/omem-server
# Requires: same or newer glibc on target machine

musl静态构建（可移植，零依赖）

运行在上的单个二进制文件 任何Linux x86_64 --没有glibc，没有库，什么都没有。

rustup target add x86_64-unknown-linux-musl

RUSTFLAGS="-C target-feature=+crt-static -C relocation-model=static" \
  cargo build --release --target x86_64-unknown-linux-musl \
  -p omem-server --no-default-features

# Binary: target/x86_64-unknown-linux-musl/release/omem-server
# Statically linked, runs anywhere

注： musl构建使用 --no-default-features 不包括AWS基岩支护。使用 OMEM_EMBED_PROVIDER=openai-compatible （例如DashScope、OpenAI）。这是因为 aws-lc-sys 由于以下原因，（AWS加密库）在musl静态链接上崩溃 dlopen(NULL) 不相容性(aws-c-cal#213)，以及Rust的默认值 static-pie musl-gcc输出segfaults(防锈漆/防锈漆#95926).

转移到任何服务器

# Compress
gzip -c target/x86_64-unknown-linux-musl/release/omem-server > omem-server.gz

# Copy to server
scp omem-server.gz user@server:/opt/

# Run (no dependencies needed)
ssh user@server "gunzip /opt/omem-server.gz && chmod +x /opt/omem-server && /opt/omem-server"

API概览

方法 端点 描述
职位 /v1/tenants 创建工作区并获取API密钥
职位 /v1/memories 存储内存或智能摄取对话
得到 /v1/memories/search 11阶段混合搜索
得到 /v1/memories 带过滤器和分页的列表
得到 /v1/profile 自动生成的用户配置文件
职位 /v1/spaces 创建共享空间
职位 /v1/memories/:id/share 将内存共享到空间
职位 /v1/files 上传PDF/图片/视频/代码
得到 /v1/stats 分析和见解

API完整参考（48个端点以上）： docs/API.md文件

文档

文档 描述
docs/API.md文件 完整的REST API参考
docs/PIPELINE.md 内存管道架构——存储、检索和插件集成流程
docs/SHARING.md 内存共享架构、流程和教程
文档/DEPLOY.md Docker和AWS部署指南
docs/PLUGINS.md 所有4个平台的插件安装
docs/TWEETCLAW_OPENCLAW.md 用于在我们的内存中存储TweetClaw X/Twitter研究决策的OpenClaw工作流
技能/我们的成员/SKILL.md AI代理入职技能

许可证

阿帕奇-2.0

Shared Memory That Never Forgets.
ourmem.ai · GitHub

相关 MCP