Memster：为LLM智能体打造的本地优先长期记忆系统

Memster是一个本地优先的LLM智能体长期记忆系统，采用PostgreSQL后端，支持语义推理、记忆衰减评分和图边关系，帮助智能体建立持久的记忆能力。

• 原作者/维护者：houseofmates
• 来源平台：github
• 原始标题：memster
• 原始链接：https://github.com/houseofmates/memster
• 来源发布时间/更新时间：2026-05-24T20:44:10Z

原作者与来源

• 原作者/维护者：houseofmates
• 来源平台：github
• 原始标题：memster
• 原始链接：https://github.com/houseofmates/memster
• 来源发布时间/更新时间：2026-05-24T20:44:10Z 原作者与来源\n\n- 原作者/维护者: houseofmates\n- 来源平台: GitHub\n- 原始标题: memster\n- 原始链接: https://github.com/houseofmates/memster\n- 发布时间: 2026-05-24\n\n---\n\n项目概述\n\n当前的大型语言模型（LLM）虽然在单次对话中表现出色，但面临一个根本性的局限：缺乏长期记忆能力。每次对话开始时，模型都处于"失忆"状态，无法记住用户之前的偏好、历史交互或累积的知识。这种"金鱼记忆"特性严重限制了智能体在复杂场景中的应用。\n\nMemster 正是为解决这一问题而设计的开源记忆系统。它是一个本地优先（Local-First）的长期记忆解决方案，专为LLM智能体打造，让智能体能够像人类一样形成、存储和检索长期记忆。\n\n---\n\n为什么LLM需要长期记忆？\n\n当前LLM的记忆局限\n\n标准的LLM交互存在以下问题：\n\n1. 上下文窗口有限：即使是最先进的模型，上下文窗口也有限（通常128K tokens），无法容纳完整的交互历史\n2. 无法持久化：对话结束后，所有上下文丢失\n3. 缺乏关联能力：难以建立不同会话、不同主题之间的关联\n4. 个性化不足：无法根据长期交互历史调整响应风格\n\n长期记忆的价值\n\n有了长期记忆，LLM智能体可以：\n\n- 记住用户偏好：了解用户的语言风格、常用工具、关注领域\n- 累积领域知识：在特定领域持续学习和积累专业知识\n- 建立关系历史：记住与用户的过往互动和重要事件\n- 实现持续学习：从错误中学习，不断改进表现\n\n---\n\nMemster的核心特性\n\n1. 本地优先架构\n\nMemster采用本地优先设计理念：\n\n- 数据主权：所有记忆数据存储在本地PostgreSQL数据库，完全由用户控制\n- 隐私保护：敏感信息不会上传到云端\n- 离线可用：即使没有网络连接，记忆系统也能正常工作\n- 可移植性：数据可以轻松备份和迁移\n\n2. 语义记忆存储\n\nMemster不只是简单存储原始文本，而是进行语义理解和结构化存储：\n\n向量化表示\n\n- 使用嵌入模型（Embeddings）将记忆内容转换为高维向量\n- 支持多种嵌入模型（OpenAI、Sentence-Transformers等）\n- 向量维度可配置，平衡精度和存储效率\n\n语义检索\n\n- 基于向量相似度进行语义搜索\n- 支持混合检索（向量+关键词）\n- 可配置相似度阈值和相关性排序\n\n3. 记忆衰减机制\n\nMemster引入了生物学启发的记忆衰减（Decay）机制：\n\n衰减评分系统\n\n- 时间衰减：记忆随时间自然衰减，模拟人类遗忘曲线\n- 访问强化：经常被访问的记忆衰减速度减慢\n- 重要性加权：重要记忆（由AI或用户标记）衰减更慢\n\n记忆巩固\n\n- 定期对记忆进行总结和抽象\n- 将多个相关记忆合并为更高层次的概念\n- 删除冗余和低价值的记忆片段\n\n4. 图关系建模\n\nMemster使用图结构来建模记忆之间的关系：\n\n图边（Graph Edges）\n\n- 时间关系：记忆发生的时间顺序\n- 因果关系：事件之间的因果联系\n- 主题关联：属于同一主题或领域的记忆\n- 实体关联：涉及相同人物、地点、概念的记忆\n\n图遍历查询\n\n- 支持基于图结构的复杂查询\n- 例如："找出与用户A相关的所有项目记忆"\n- 支持最短路径查找，发现记忆间的隐含联系\n\n5. PostgreSQL后端\n\n选择PostgreSQL作为存储后端带来了诸多优势：\n\n- pgvector扩展：原生支持向量存储和相似度搜索\n- JSONB支持：灵活存储结构化记忆数据\n- ACID保证：确保记忆操作的原子性和一致性\n- 成熟生态：丰富的工具链和运维经验\n\n---\n\n技术架构\n\n系统架构图\n\n\n┌─────────────────────────────────────────┐\n│ LLM Agent │\n│ (Chatbot / Assistant / Autonomous) │\n└───────────────┬─────────────────────────┘\n │\n ▼\n┌─────────────────────────────────────────┐\n│ Memster API │\n│ ┌─────────┐ ┌─────────┐ ┌──────────┐ │\n│ │ Memory │ │ Semantic│ │ Graph │ │\n│ │ Store │ │ Search │ │ Engine │ │\n│ └─────────┘ └─────────┘ └──────────┘ │\n└───────────────┬─────────────────────────┘\n │\n ┌───────┴───────┐\n ▼ ▼\n┌──────────────┐ ┌──────────────┐\n│ PostgreSQL │ │ Embedding │\n│ + pgvector │ │ Service │\n└──────────────┘ └──────────────┘\n\n\n核心组件\n\nMemory Store\n\n负责记忆的基本CRUD操作：\n\n- 记忆创建：将新的交互内容转换为记忆条目\n- 记忆更新：修改现有记忆的内容或元数据\n- 记忆删除：根据策略删除过期或低价值记忆\n- 记忆查询：按ID、时间、类型等条件检索\n\nSemantic Inference\n\n处理记忆的语义理解和向量化：\n\n- 实体提取：识别记忆中的重要实体（人、地点、概念）\n- 关系抽取：提取实体之间的关系\n- 情感分析：分析记忆中的情感倾向\n- 主题分类：自动归类记忆的主题\n\nDecay Scorer\n\n计算和管理记忆的衰减评分：\n\n- 评分计算：根据时间、访问频率、重要性计算衰减分数\n- 记忆筛选：定期清理低分记忆\n- 巩固决策：决定哪些记忆需要被总结和抽象\n\nGraph Manager\n\n维护记忆之间的关系图：\n\n- 边创建：建立记忆之间的关联\n- 图查询：执行图遍历和路径查找\n- 社区发现：识别记忆集群和主题社区\n\n---\n\n使用示例\n\n基础用法\n\npython\nfrom memster import MemorySystem\n\n初始化记忆系统\nmemory = MemorySystem(\n db_url="postgresql://localhost/memster",\n embedding_model="sentence-transformers/all-MiniLM-L6-v2"\n)\n\n存储记忆\nmemory_id = memory.store(\n content="用户提到他喜欢使用Python进行数据分析",\n metadata={\n "source": "conversation",\n "user_id": "user_123",\n "importance": 0.8\n }\n)\n\n检索相关记忆\nrelated_memories = memory.search(\n query="用户喜欢什么编程语言？",\n top_k=5\n)\n\n获取用户的完整记忆图谱\nmemory_graph = memory.get_user_graph(user_id="user_123")\n\n\n与LLM集成\n\npython\nfrom memster import MemoryEnhancedLLM\n\n包装现有的LLM\nllm = MemoryEnhancedLLM(\n base_llm=your_llm,\n memory_system=memory\n)\n\n对话时自动使用记忆\nresponse = llm.chat(\n user_id="user_123",\n message="帮我写个数据分析脚本",\n 自动检索相关记忆并注入上下文\n use_memory=True\n)\n\n\n记忆衰减配置\n\npython\n配置衰减策略\nmemory.configure_decay(\n half_life_days=30, 30天后记忆强度减半\n access_boost=0.1, 每次访问增加0.1强度\n min_importance=0.3, 低于此值的记忆会被清理\n consolidation_interval="1d" 每天运行一次记忆巩固\n)\n\n\n---\n\n应用场景\n\n1. 个人AI助手\n\n场景：构建一个能够长期陪伴用户的个人助手\n\n记忆内容：\n- 用户的日常习惯和偏好\n- 重要日期和事件\n- 过去的对话摘要\n- 用户的兴趣和目标\n\n效果：助手能够像老朋友一样了解用户，提供个性化建议\n\n2. 企业知识管理\n\n场景：构建企业内部的AI知识助手\n\n记忆内容：\n- 企业文档和知识库\n- 员工的专业领域和技能\n- 项目历史和决策记录\n- 常见问题及其解决方案\n\n效果：新员工可以快速获取企业知识，老员工的知识得以沉淀\n\n3. 游戏NPC\n\n场景：构建具有真实记忆的游戏NPC\n\n记忆内容：\n- 与玩家的互动历史\n- 游戏世界的事件发展\n- NPC之间的关系动态\n- 玩家的选择和后果\n\n效果：NPC能够记住玩家的行为，做出符合历史的反应\n\n4. 研究助手\n\n场景：辅助学术研究，跟踪文献和想法\n\n记忆内容：\n- 阅读的论文和笔记\n- 研究想法和假设\n- 实验结果和观察\n- 领域内的概念关系\n\n效果：帮助研究者建立知识网络，发现研究机会\n\n---\n\n与类似项目对比\n\n| 特性 | Memster | MemGPT | Zep | LangChain Memory |\n|------|---------|--------|-----|------------------|\n| 本地优先 | ✅ | 部分 | ✅ | 依赖外部存储 |\n| 语义搜索 | ✅ | ✅ | ✅ | 基础 |\n| 记忆衰减 | ✅ | ✅ | ❌ | ❌ |\n| 图关系 | ✅ | 有限 | ❌ | ❌ |\n| PostgreSQL | ✅ | ❌ | ✅ | 可选 |\n| 开源 | ✅ | ✅ | ✅ | ✅ |\n\nMemster的独特之处在于将语义搜索、记忆衰减和图关系三者有机结合，提供了更全面的记忆管理方案。\n\n---\n\n局限性与注意事项\n\n1. 存储成本：长期存储大量记忆需要足够的磁盘空间\n2. 隐私合规：存储用户数据需要遵守相关法规（如GDPR）\n3. 检索精度：语义搜索可能返回不相关的结果，需要调优\n4. 衰减参数：需要根据具体场景调整衰减参数，否则可能影响用户体验\n\n---\n\n总结与展望\n\nMemster为LLM智能体提供了一个实用的长期记忆解决方案。通过本地优先的设计、语义化的存储、生物启发的衰减机制和图关系建模，它让智能体能够真正"记住"过去，建立持久的用户关系。\n\n随着多模态AI的发展，记忆系统也将需要支持图像、音频、视频等更多模态。Memster的架构为这种扩展提供了良好的基础。\n\n对于希望构建真正智能、有记忆能力的AI应用的开发者来说，Memster是一个值得关注和尝试的项目。