记忆张量 MemOS Agent 本地记忆插件
立即咨询
首页
本地目录
记忆技能日志同放
两个宿主
一套核心分别接
三层记忆
trace 到环境认知
MIT
开源可改可自建
⚠️行业痛点与挑战
🔍换个会话就失忆
昨天定下的目录约定、命名习惯与踩过的坑，新开一个会话就全没了，只能把同一段背景重新贴一遍。
⏱️对话不敢给出网
工单原文、内网地址与未发布代码都在对话里，接一个云端记忆服务就要过一轮安全评审，评审往往过不去。
🧠记录翻得到用不上
聊天记录躺在宿主的日志里，能搜到某句话，但下一次遇到同类任务时取不出可执行的步骤。
🔗排障经验随人走
老同事那套先看哪个日志、再查哪个配置的顺序没写下来，人一调岗，新接手的人从头摸一遍。
📉装完是个黑盒
插件挂上以后不知道它写了什么、写去哪、下次会不会被召回，出问题只能靠卸载重装试。
🚧两个工具各记一份
白天用 OpenClaw 写前端、晚上用 Hermes 跑脚本，两边记忆互不相通，同一件事要解释两遍。
🎯产品定位与核心价值
MemOS Agent 本地记忆插件是 OpenClaw 与 Hermes 的记忆扩展，对话落成 trace 并可结晶为技能，数据全部留在本机目录。
💡协同有章法
AI 记忆插件与端侧记忆存储之间的调用关系被设计清楚，端侧存储与技能结晶工具流程中不出现职责空档。
🔁演进不重建
AI 记忆插件能力的版本演进保持接口稳定，端侧存储与技能结晶工具场景的既有配置可持续沿用。
🧷落地有节奏
端侧存储与技能结晶工具场景按阶段推进，AI 记忆插件能力的启用顺序与业务节奏对齐。
⚙️核心能力详解
🧮宿主内嵌写入
以适配层挂进宿主运行时，在每轮调用前后执行记忆读写，不改变宿主原有的工具调用与提示组装方式。
🧱三层记忆分工
L1 trace 记一轮任务的指令与结果，L2 policy 记可复用的做法，L3 world model 记环境与依赖关系，按层各自检索。
⚡经验结晶为技能
高价值 trace 先归纳成 policy，连续命中的 policy 再转成带调用说明的 Skill，供宿主在后续任务里直接取用。
📊六视图面板
本机面板分 Traces、Policies、World、Skills、Logs、Settings 六栏，可按 episode 时间线回看一轮任务从提问到落地的全过程。
🌐按宿主隔离
适配层隔离、算法核心共用，运行时数据按 agent 分目录保存，两个宿主的记忆不会互相混入。
🔧后端可分开选
embedding 与 LLM 分别配置提供方，可全走本地推理，也可一项本地一项云端，密钥只对云端那一侧生效。
📐技术规格
| 产品名称 | MemOS Agent 本地记忆插件 |
| 所属厂商 | 记忆张量 |
| 产品分类 | 知识管理软件·AI 记忆插件 |
| 核心能力 | 宿主内嵌写入、三层记忆分工、经验结晶为技能 |
| 应用场景 | 后端接口改造续接、夜班故障交接、双宿主并行开发 |
| 适用阶段 | 端侧存储与技能结晶工具场景的不同阶段均有对应配置，无需整体重建 |
| 投资视角 | AI 记忆插件投入的规模与端侧存储与技能结晶工具的收益节奏可分阶段对应 |
| 合规关注 | 端侧存储与技能结晶工具数据的留存与访问需符合行业监管的具体要求 |
| 效果追溯 | AI 记忆插件的运行记录为端侧存储与技能结晶工具场景的过程复盘提供依据 |
🏭典型应用场景
✈️后端接口改造续接
后端工程师在 OpenClaw 里改支付回调，插件把每轮指令、报错与改法记成一条 trace；隔天接着改时先取回上次结论再动手，按重复贴上下文的次数与同一处返工轮次衡量。
🚗夜班故障交接
SRE 夜班交接前先把当晚处置的 trace 按 episode 导出成一份时间线，标出哪几步真正让告警收敛或无效，再整理成 policy 留给白班；白班照着走不必重问，按交接说明的页数与重复问询次数衡量。
🔋双宿主并行开发
同一个人白天用 OpenClaw 写前端、晚上用 Hermes 跑数据脚本，两个宿主的记忆各存一份目录，面板按宿主分开查看；按两边召回内容是否串味与切换时的重新解释次数衡量。
🌊不出网的研发网
把 embedding 指向本机推理服务，插件在断网环境下照常写入与检索，面板只监听回环地址；外网恢复后再择时把 policy 同步到 Hub，先补发积压条目，按离线可用天数、检索命中率与密钥外发次数衡量。
🏗️小组共用套路
小组长挑三条稳定 policy 推到团队 Hub，推之前在插件里逐条脱敏并附上适用前提，新同事装好插件即可取用，原始对话仍留在各自机器；按新人独立上手天数与共享条目被调用次数衡量。
🚢记忆内容自查
安全同事按月抽查面板里的 Logs 与 Trace 原文，重点看客户编号、内网地址与工单号是否被写进记忆，命中即清理并在台账记下清理范围；按抽样条目比例与复查后的残留条数衡量。
🏆典型应用案例
📦
先空跑一周再动手
装好后不改任何配置跑五个工作日，在面板里按 trace 的任务标签归类，统计哪类任务重复出现、哪类只在一轮里出现过；据此决定先给哪类写归纳规则，验收看重复任务占比与每周新增 trace 条数。
🛫
两个宿主分开建库
在 OpenClaw 与 Hermes 的运行时目录下各建一个项目子目录，把同一份接口文档分别喂给两边，比较召回条目差异；差异集中在提示写法而非记忆缺失时先改提示，验收记录两边召回条目与人工判定。
🏭
手工标 policy 再结晶
从 trace 里挑十条同类成功记录，手工写出触发条件、执行步骤与失败分支存成 policy，观察一周内是否被自动命中、命中时取回的是哪几步；命中稳定后转成 Skill 并补调用说明与停用条件，验收看命中次数与人工改写比例。
📦
共享前先脱敏导出
把准备共享的 policy 单独导成文本，逐条检查是否带客户名、内网地址与工单号，替换后再推到 Hub，并留存替换前后的对照表；验收时抽查共享条目与原始 trace 的差集是否为空，并复核 Hub 侧只留下替换后的版本。
🔌接入方式
🖥️宿主运行时接入
OpenClaw 侧走 TypeScript 适配层，Hermes 侧走 Python 适配层，两边用 JSON-RPC 桥对齐事件与方法名；接入前要确认宿主版本与适配层兼容，装好后先跑一轮空对话看是否正常写入 trace，再压一轮多工具调用看钩子顺序有没有错乱。
☁️模型与向量服务
embedding 可指向本机推理服务，也可配成 OpenAI 兼容端点或云厂商接口，只填服务地址与模型名；换模型要重建索引，旧向量与新维度不能混用。密钥按提供方分别保存，不要写进团队共享的那份配置文件。
🤝团队 Hub 服务端
Hub 是独立进程，通过 HTTP 与 SSE 与客户端通信，承担 policy 与 Skill 的分发与版本记录；接入前先在 Hub 建组与账号，再在插件配置里填地址与凭据，客户端断线重连后按版本号补拉，不重复下发已生效的条目。
🧩生态协同与能力底座
🧩宿主工具生态
插件依附在 OpenClaw 与 Hermes 的插件机制上，宿主的工具接口一改就传导到适配层，跟着宿主版本走是常态；选型时要看宿主本身的迭代节奏，别把记忆当成脱离宿主也成立的东西。
🔗模型与推理服务
本地推理框架、向量模型与云 API 都是它的上游，选哪一套直接决定离线可用性与单机内存占用，也决定检索延迟；模型换代时旧索引要重建，空窗期得提前排进计划。
🌱开源与交付伙伴
MIT 许可允许集成商改代码做行业版本，社区贡献适配层与 Skill 模板；实际落地里安装、调参与培训多由交付方承担，插件本身不绑定服务商，改过的分支要自己维护与上游的差异。
🚀产品差异化特点
🌟长在宿主里而非另开客户端
它不作为独立客户端去扫别的工具的对话，而是作为宿主插件在每轮调用前后挂钩子，记忆写在对话发生的地方，取回也走宿主自己的工具调用。
🆚一套核心两个宿主各存各的
算法核心共用、适配层与运行时数据按宿主分开，两个 agent 的记忆不会互相污染；要跨宿主使用得显式导出重放，不做隐式合并，同一份接口文档在两边各喂一遍才能都召回到。
🧬记忆看得见也改得动
面板按 trace、policy、world model、skill 四层列条目，每条能追到来源会话与写入时间，写错可直接编辑或置为失效；成熟做法可结晶成技能，而非停在向量相似度上，改完在面板里立刻能看到新版本。
✅最佳实践
📝
别把闲聊和结论混在一处
同一目录里既存需求讨论又存定稿结论，检索时先命中的往往是中途的错判；按项目或仓库分目录，结论类内容单独打一层标记，并在 policy 里写明只在标记命中时才当依据。
🔄
本地向量模型要留资源
本机跑 embedding 会占内存与显存，和 IDE、编译任务抢资源时检索明显变慢，部署前按并发量估一遍余量；把写入与检索放到独立进程并限制线程数，别等到卡顿再回头换模型。
🎯
升级前先备份运行时目录
插件升级可能改动条目结构，升级脚本不负责回滚数据；先在副本上跑一遍，确认能读出旧条目再替换正式目录，旧目录留一周再删，期间面板报错就回退到副本继续用。
📈
trace 与日志会一直长
默认不清理时，日志与 trace 按会话量线性增长，占满磁盘后写入会静默失败；上线前设好保留天数与单目录上限，并定期看一眼面板里的存储占用。
🗺️企业落地路径
1️⃣
单机试点
在一台开发机装插件，挑一个真实项目跑两周，全程不改检索参数，只收 trace；周末按任务标签归类，产出 trace 采样清单与三类高频任务，作为后续归纳规则的输入。
2️⃣
归纳规则
按高频任务写 policy 草案，逐条明确触发条件、执行步骤与失败分支，并附一条反例说明什么时候不该用；两周后拿同一批任务回放，产出一份可评审的 policy 清单与命中记录。
3️⃣
技能结晶
把连续命中的 policy 转成 Skill，补齐调用说明、入参与停用方式；先在候选状态跑一周，确认没有误触发再置为活跃，产出一份技能包、回退包与人工复测记录表。
4️⃣
团队共用
搭 Hub、划组与账号，定下共享范围与脱敏规则，明确谁能推、谁审批、争议由谁裁；产出共享目录规范、月度抽查表与审批人清单，并把每季度复核一次写进约定。
💬常见问题 FAQ
装之前要准备哪些运行环境？
插件跑在宿主进程旁边，需要 macOS 或 Linux，宿主可用的 Node 或 Python 环境要能直接调用；本地跑 embedding 时还要一台能加载向量模型的机器与足够内存。Windows 没有一键脚本，要在 WSL 里按 Linux 装，装完先用面板确认写入路径。
除 OpenClaw 与 Hermes 还能接别的宿主吗？
当前适配的就是这两个宿主，各自有独立适配层；接第三个等于新写一个 adapter，核心不动，但要先把事件、错误码与方法名映射到 agent-contract 上，再补一轮写入与召回的对照测试，工作量按宿主接口数量估。
记忆与技能写在哪个位置？
写在宿主各自的运行时目录下，两个宿主分开存放，包含记忆、技能、日志与配置四类文件；换存储位置要在配置里改路径后重启宿主，直接搬目录会导致索引与原文对不上。
换电脑时怎么把记忆带走？
停掉宿主后整目录拷贝即可，索引与原文在同一目录内；跨宿主不通用，两边条目结构不同，要按导出格式重放一遍，迁移后抽查若干条能否被正常召回。
embedding 与 LLM 能一个本地一个云端吗？
可以分开配，两个后端各自选提供方；走云端的那一侧要填 API Key，走本地的不需要。混用前先确认云端链路是否允许出现对话原文，别在配置阶段就把敏感内容递出去。
面板会不会被同网段的人打开？
面板默认只监听本机回环地址，同一局域网的其他机器访问不到；为了演示临时改成对外监听时，必须同时加访问控制并在结束后改回，否则 trace 等于对全组公开。
开了团队共享，本地对话会被传上去吗？
共享对象是 policy 与 Skill 文本，不含原始 trace，推送动作由人触发，插件不会自动上传；开启前先在 Hub 侧确认接收方范围与留存期限，再在面板里看一眼待推条目有没有不该出现的客户名与内网地址。
结晶出来的 Skill 跑偏了怎么回退？
Skill 分候选与活跃两种状态，出问题先把活跃那条置回候选即可停用；policy 与来源 trace 都还在，回退后按同一批任务复测，判断是策略写错还是说明不具体。
📄信息来源与免责声明
本页面由云巴巴整理，围绕AI 记忆插件产品能力编选，素材来源于记忆张量的公开产品介绍。
涉及端侧存储与技能结晶工具的技术参数与功能范围以官方发布口径为准，页面内容不构成技术承诺。
云巴巴可协助MemOS Agent 本地记忆插件的选型评估与接入规划，提供适配建议与实施资源对接。
产品推荐
简而优智习室是一款面向教育领域的智能学习平台，专注于提供个性化学习体验和教学辅助。它通过智能推荐系统，根据学生的学习行为和成绩，定制个性化学习路径。平台支持师生互动，提供丰富的教学资源和数据分析功能，帮助教师优化教学方法，同时让学生更有效地掌握知识。简而优智习室致力于通过科技手段，提升教育质量和效率，为学习者创造更加灵活和丰富的学习环境。
透云科技的一物一码数字营销平台面向品牌市场部，含活动形式、发奖规则、预算与奖池、奖品核销、会员积分与营销风控，解决费用被薅、配置慢与核销难的问题，费用按区域分账，适用于扫码领红包。
蓝墙互联云端地产smart ERP销售管理解决方案，场景化营销、社交化营销、直播营销、互动游戏营销等多维度营销方式，打通线上线下营销全渠道，数智化有效触达客群。全方位营销分析诊断，投放成本缩减30%，获客线索提升30%。以客户为中心的销售接待跟进功能，实现销售全过程精细化管理。
数字化社区
视频
文章
