跳转至

MemOS Hermes 记忆插件

Ch06.018 MemOS Hermes 记忆插件

📊 Level ⭐⭐ | 11.9KB | entities/memos-hermes-plugin.md

Overview

MemTensor 团队为 Hermes Agent 开发的本地记忆插件。让 Hermes 从"记得住但记得乱"变成"存得聪明、找得准"。 开源地址：https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin 文档：https://memos-docs.openmem.net/cn/openclaw/hermes_local_plugin

核心问题：Hermes 原生记忆的痛点

Hermes 原生把每轮对话直接存 SQLite，检索用文本匹配： 问题：

  • 同一信息在不同对话里反复提到 → 大量重复条目
  • 过时的、矛盾的内容全部堆在一起 → 记忆库变成大杂烩
  • 文本搜索：关键词对不上就搜不到（例："某某餐厅味道不错"搜"好吃"搜不到）
  • 技能生成用跑 Agent 的同一模型，质量参差不齐

MemOS 插件核心能力

1. 存得聪明：四步处理链

语义分片 → LLM 摘要 → 向量化 → 智能去重
最有价值的部分：智能去重

  • 不是简单文本比对
  • 让 LLM 判断当前内容是：重复 / 需要更新 / 全新
  • 例："在减肥"后说"放弃减肥" → 自动识别为更新，合并成一条，记录合并历史 效果：记忆库始终保持干净状态，不会越用越乱。

2. 找得准：混合检索引擎

双通道并行：

  • 全文搜索：关键词匹配
  • 向量语义搜索：语义理解 然后经过：融合排序 → 多样性去重 → 时间衰减 → 相关性过滤 效果：关键词对不上也能搜到。例如原文"某某餐厅味道不错"，搜"好吃"也能命中。 主动注入：每轮对话开始时，系统自动用最新消息做预检索，把相关记忆注入上下文。没命中时还会提示 Agent 主动搜索。

3. 技能进化：三级独立模型配置

处理环节 模型选择
Embedding 轻量模型
摘要 中等模型
技能生成 最强模型
加规则过滤 + LLM 评估，只生成可重复、有价值的任务技能。
降级机制：技能模型挂 → 摘要模型 → Hermes 原生模型，全程无需手动干预。

4. 多 Agent 协同

第一层：同机器多 Agent

  • 独立记忆空间

  • 共享公共记忆和技能 第二层：跨机器 Hub-Client 架构

  • 私有数据始终留在本地

  • 只有明确共享的内容对团队可见

5. 自带管理面板

http://127.0.0.1:18901，7 个管理页面： | 页面 | 功能 | |------|------| | 记忆浏览和搜索 | 可视化查看记忆库 | | 任务管理 | 查看历史任务 | | Skill 管理 | 管理生成的技能 | | 分析统计 | 记忆库统计 | | 工具调用日志 | 调用记录 | | 数据导入 | 外部数据导入 | | 在线配置 | 实时配置调整 | 密码保护，只允许本地访问。

安装

curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/openclaw-local-plugin-20260408/apps/memos-local-plugin/install.sh | bash
前置：Node.js ≥18、Python 3、Hermes Agent 已装好。 完全本地化，零云依赖，数据存本机 SQLite。

使用体验

优点：

  • 记忆检索准确率提升明显，之前搜不到的历史信息现在基本都能找到

  • 记忆去重有效，不会出现同一信息存七八条 局限：

  • 第一次用会多消耗一些 token（模型做摘要和向量化）

  • 偶尔用一下 Hermes 的人感受不到太大差别，价值在长期使用中逐渐体现

使用场景

场景 价值体现
长期高频使用 Hermes 记忆检索准确率明显提升，历史信息不再搜不到
多 Agent 团队协作 公共记忆共享，避免每人从头积累
跨机器协同 Hub-Client 架构保证私有数据本地，共享内容可控

一句话总结

Hermes 让 Agent 能干活，MemOS 让它越干越聪明。

深度分析

  1. LLM 判断去重突破文本相似度瓶颈 — 传统去重（simhash、embedding distance）只能发现字面重复，MemOS 用 LLM 判断"重复 / 需要更新 / 全新"，能捕捉"在减肥"→"放弃减肥"这类语义反转。这将去重从"找相同"升级为"理解变化"，从根本上解决了记忆库随时间腐化的问题。
  2. 三级模型分离 + 降级链是系统工程思维 — 不是用一个最强模型处理所有记忆任务（embedding、摘要、技能生成），而是按任务匹配模型强度，再构建"技能模型→摘要模型→Hermes 原生"降级链。这种设计保证任意环节模型故障不影响系统整体可用性，是生产级系统的必备特征。
  3. 主动记忆预注入 vs 被动检索 — 多数记忆系统在对话需要时才开始检索，MemOS 在每轮对话开始时主动用最新消息预检索相关记忆并注入上下文，未命中时还提示 Agent 主动搜索。这一设计将记忆从"被动响应"变为"主动供给"，显著降低关键信息被遗漏的概率。
  4. Hub-Client 跨机器架构的隐私分层模型 — 私有数据始终本地、只有显式共享内容对团队可见。这代表多 Agent 协作设计中"隐私优先"的思想，与 OpenClaw 架构的本地优先理念一脉相承，也是企业部署的关键考量。
  5. 长期使用才有价值的工程设计逻辑 — 首次使用多消耗 token（摘要 + 向量化），但长期积累后检索收益远大于初始成本。这种设计明确面向高频用户，解释了为什么"偶尔用一下 Hermes 的人感受不到太大差别"——这是刻意的产品取舍，不是缺陷。

实践启示

  1. 为记忆系统设计去重逻辑时，优先判断内容是否代表"状态更新"而非仅判断"是否相同" — 实现方式是每次存入新记忆前，让 LLM 回答三个选项：重复（丢弃）、需要更新（与已有条目合并）、全新（追加）。合并时保留历史版本和合并时间戳，支持回溯。
  2. 构建多模型协作的记忆架构时，用三级模型分离 + 降级链保证韧性 — embedding 用轻量模型（如 bge-small）控制向量检索成本；摘要用中等模型；技能生成用最强模型。降级链配置为：技能模型 → 摘要模型 → Agent 原生，每级都应能独立完成处理。
  3. 在对话轮次开始时实现主动记忆预注入，而非被动等检索 — 用当前用户消息做预检索 query，将 Top-K 结果和置信度一并注入上下文；设定相似度阈值（如 <0.6）时主动提示 Agent"相关内容较少，建议主动搜索"。
  4. 多 Agent 协作场景下采用"本地私有 + 按需共享"的数据分层 — 每个 Agent 有独立记忆空间，公共记忆和技能库单独管理；跨机器共享时只传递明确标记为 shared 的条目，敏感数据不离开本地节点。
  5. 评估记忆插件价值时拉长时间周期，而非单次使用成本 — 建议记录"首次命中失败但长期积累后成功检索"的案例数，作为记忆系统ROI的核心指标。单次使用感受不到价值是预期行为，设计演示场景时应展示"三个月后还能精准召回三个月前的信息"。

关联分析

|| 相关文章 | 关联点 | |---------|--------| || Hermes Agent | MemOS 是 Hermes 的记忆插件，解决 Hermes 记忆乱的痛点 | || Claude Code 架构解析 | Claude Code 的 Query Loop 含上下文管理，和 MemOS 的记忆注入思路一致 | || AgentCore Harness | AgentCore 管运行时，MemOS 管记忆，是不同维度的 Agent 基础设施 | 核心洞察：Harness Engineering（AgentCore）和记忆工程（MemOS）是 Agent 走向生产的两个不同维度——前者管"运行"，后者管"记忆"。

相关实体