Memory OS:為 Hermes Agent 打造的 7 層持久化記憶系統

解決什麼

重度使用 Hermes Agent 的開發者都遇到過同一個痛點:花幾小時教會 AI 你的偏好、專案背景和決策邏輯,下次對話它卻像初次見面一樣從零開始。Memory OS 針對這個問題構建了一套 7 層記憶架構:從工作區檔案(MEMORY.md/USER.md)的即時注入,到 SQLite 全文檢索的會話歷史,再到 Qdrant 向量庫的語義搜尋,以及自動維護的結構化事實庫和 Wiki 知識庫。最關鍵的第 7 層"Ground Truth Hierarchy"(SOUL.md/rulebook.md)明確告訴 Agent 注入的記憶是權威來源,避免 AI 反覆呼叫工具重新查詢已注入的上下文。

為何火

專案在 GitHub 上線兩週即獲 1100+ stars,核心吸引力在於解決了"記憶注入但不使用"的根本問題。許多 RAG 方案能檢索上下文,但 LLM 仍會忽略注入內容去呼叫 API 重新驗證,Memory OS 通過 Ground Truth 層強制 Agent 信任注入記憶,配合 4 級混合檢索(Qdrant 混合搜尋 → 稠密向量 → 詞法匹配 → SQLite 兜底)和語義去重(餘弦相似度 >0.92 自動合併),實現了"像和參與過每次會話的同事對話"的體驗。v0.2.0 的一鍵安裝指令碼和 20+ 社群驅動修復進一步降低了部署門檻。

核心功能

7 層記憶架構:Layer 1 工作區檔案每輪注入系統提示詞;Layer 2 SQLite FTS5 全文檢索歷史會話;Layer 3 結構化事實庫(帶信任評分和實體解析);Layer 4 Icarus 外掛提供 16 個跨會話工具(fabric_recall/fabric_write 等);Layer 5 Qdrant 向量庫(4096 維餘弦 + BM25 稀疏向量);Layer 6 自動維護的 Wiki 知識庫;Layer 7 Ground Truth 明確記憶權威性。

精準上下文注入:pre_llm_call 鉤子從四個來源(Fabric/Qdrant/Sessions/Facts)外科手術式召回相關記憶,按相關性閾值過濾,會話內去重,跳過寒暄類訊息。post_llm_call 和 on_session_end 鉤子自動提取學習內容併入庫。

本地優先 + 提供商無關:全部記憶基礎設施本地執行,支援 OpenRouter/OpenAI/Anthropic/Ollama 等任意 LLM 提供商,嵌入模型可選 Ollama 本地(零成本)或 OpenRouter 雲端(Qwen3-Embedding-8B)。

安裝

一鍵安裝(推薦):

curl -sSL https://raw.githubusercontent.com/ClaudioDrews/memory-os/main/setup.sh | bash

指令碼自動配置 Docker 服務(Qdrant/Redis/ARQ Worker)、SQLite 資料庫、Icarus 外掛和環境變數。

手動安裝:需 Docker、Python 3.11+、Hermes Agent,依次啟動 Qdrant/Redis 容器,配置 .env(需填 REDIS_PASSWORD、FABRIC_DIR、VAULT_PATH、嵌入模型 API Key 等),安裝 Python 依賴(requests/qdrant-client/arq 等),初始化資料庫。專案提供 smoke test 和 ingestion test 驗證部署。

適合誰

重度 Hermes Agent 使用者:需要 AI 記住長期專案背景、技術棧偏好和歷史決策的開發者或研究者。

本地部署愛好者:不希望記憶資料上雲,願意自建 Docker 服務棧的使用者。

LLM 提供商靈活切換者:同時使用多個 API 提供商或本地模型(Ollama)的場景。

不適合:純雲端使用者(需本地 Docker)、輕度對話使用者(基礎 Hermes 已夠用)、對 Python/Docker 完全陌生的新手(雖有一鍵指令碼但排錯需技術基礎)。

社群評價

暫無足量社群公開討論,以下為基於專案本身的中立評估:

專案在兩週內獲 1100 stars 和 5 位貢獻者參與,v0.2.0 版本通過系統性審計完成 20+ 修復(包括提供商無關的 LLM 提取、O(1) 路徑查詢、FTS5 會話搜尋、語義去重等),顯示出較強的工程成熟度。README 詳細闡述了"為何需要 Layer 7"的設計哲學,對比表格清晰展示與原生 Hermes 的差異。Issue 模板和 PR 檢查清單表明專案已為外部貢獻做好準備。不足之處在於文件偏技術向,缺少非開發者友好的快速上手影片或圖形化配置介面。

選型對比

vs 原生 Hermes Agent:原生 Hermes 僅支援會話內記憶,Memory OS 增加跨會話持久化、向量語義搜尋、結構化事實庫和自動 Wiki,適合需要長期記憶的場景。

vs 商業 AI 記憶服務(如 Mem.ai/Rewind):Memory OS 完全本地執行無訂閱費,資料隱私可控,但需自建基礎設施(Docker/Qdrant)和手動配置;商業服務開箱即用但資料上雲且按月付費。

vs 通用 RAG 框架(如 LangChain Memory):Memory OS 針對 Hermes Agent 深度定製,提供 7 層分層架構和 Ground Truth 強制信任機制,避免"注入但不用"問題;通用框架更靈活但需自行解決上下文權威性。

已知坑

配置複雜度:雖有一鍵指令碼,但 .env 需手動填寫多個絕對路徑(FABRIC_DIR/VAULT_PATH/WIKI_ROOT 等),systemd 不支援 ~ 展開,新手易出錯。

資源佔用:Qdrant 向量庫和 Redis 需持續執行,4096 維向量儲存對磁碟和記憶體有一定要求,低配機器可能遇到 Docker 構建超時(README 提到已最佳化 UX 提示)。

嵌入模型依賴:必須配置 Ollama 本地模型或 OpenRouter API Key,中國大陸使用者若選 OpenRouter 需注意網路可達性;Ollama 本地部署需額外下載 nomic-embed-text 模型。

語義去重閾值:餘弦相似度 >0.92 自動合併可能誤合併相似但不同的條目,專案未提供閾值可調引數。

文件技術門檻:README 假設使用者熟悉 Docker/SQLite/向量資料庫概念,缺少故障排查指南(如 Qdrant 連線失敗、Redis 密碼錯誤等常見問題)。