SimpleMem
让 AI Agent 拥有终身记忆：语义无损压缩 + 意图感知检索，token 消耗降低 30 倍
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
让 AI Agent 拥有终身记忆：语义无损压缩 + 意图感知检索，token 消耗降低 30 倍
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：你每天和一位聪明的私人助理对话，但它每次开口都像失忆症患者——不记得上周你提过什么项目、不记得三个月前讨论过的偏好。普通的 AI 助手就是这样工作的，它们没有"记忆"，每次对话都是白纸一张。SimpleMem 解决的就是这个问题：它为 AI Agent 构建一套终身记忆系统，让 AI 能够跨越无数次对话，记住所有重要信息，并且用极少的 token 就能精准召回。
这是一个用 AI 给 AI 构建记忆的元级项目。 它的核心洞察是：记忆不在于"存多少"，而在于"存得多精准"。与其堆砌冗长的对话历史（既贵又慢），不如让 AI 自己提炼关键事实，用语义无损压缩的方式存储，需要时再精准检索出来。
图1：SimpleMem 架构图——三层记忆系统协同工作
2026 年，大语言模型（LLM）在各行业快速落地，但大多数 AI Agent 面临一个共同困境：上下文窗口有限，记忆能力几乎为零。当对话历史超过模型上下文上限时，早期信息就被"遗忘"了。
SimpleMem 正是瞄准这个痛点诞生的。它的研究团队来自多所知名机构，在 ICLR / NeurIPS 等顶会发表过大量 AI 系统论文。团队发现，当时主流的记忆方案（如 Claude Memory、向量数据库 RAG）都存在效率与精度之间的两难抉择：要么存得太多（成本高、检索慢），要么存得太少（关键信息丢失）。
SimpleMem 于 2026 年 1 月发布，发布后迅速获得关注，GitHub Star 增长曲线陡峭。它不仅是一个工具，更是一套经过严格学术验证的方案——背后有两篇 arXiv 论文支撑（SimpleMem 主论文 + EvolveMem 自进化论文），并在 LoCoMo、MemBench 等权威基准上取得了 SOTA 性能。
SimpleMem 采用三层递进架构，每一层针对不同的记忆问题：
第一层：SimpleMem（文本记忆）
这是项目的基础层，专注于纯文本对话的记忆存储与检索。它的核心工作流只有三步：
在 LoCoMo 基准测试中，这套方案比之前的最佳方案平均 F1 提升 26.4%，同时将推理时的 token 消耗降低约 30 倍。
第二层：Omni-SimpleMem（多模态记忆）
扩展到图像、音频、视频的全面记忆能力。这层的创新之处在于它不是简单地将图片转成文字描述再存储，而是：
更值得注意的是：Omni-SimpleMem 的架构并非人工设计，而是由一个自主研究管道（Autonomous Research Pipeline） 自动发现的——跑了约 50 组实验，自动诊断失败模式、提出架构改进、甚至修复数据管道的 bug，全程无人干预。在 LoCoMo 取得 F1=0.613（+47%），在 Mem-Gallery 取得 F1=0.810（+51%）。
第三层：EvolveMem（自进化检索）
这是最前沿的一层，解决了一个被所有人忽视的问题：记忆的内容在变化，但检索系统本身是"冻结"的。
EvolveMem 引入了一个 AutoResearch 闭环：
这个循环让检索系统能够持续自我改进——在 LoCoMo 上比最强基线再提升 25.7%。更关键的是，Evolved 配置在跨基准迁移时也带来了正向收益，说明它学到了通用的检索策略。
图2：SimpleMem Logo——项目图标
主要技术栈：
| 组件 | 技术选型 | 说明 |
|---|---|---|
| 核心语言 | Python 3.10+ | 主力开发语言 |
| LLM 集成 | LangChain / LangGraph | 模块化 Agent 编排 |
| 向量数据库 | LanceDB | 高性能本地向量存储 |
| 嵌入模型 | sentence-transformers / Qwen3-Embedding | 语义编码 |
| 压缩工具 | LLMlingua | 上下文压缩 |
| 检索 | FAISS + BM25 | 混合向量/关键词搜索 |
| 服务器 | FastAPI | REST + MCP Server |
| 多模态 | PIL, librosa, OpenCV | 图像/音频/视频处理 |
代码质量评估：
代码采用模块化插件架构，核心目录 simplemem/ 职责清晰：各子模块（SimpleMem / OmniSimpleMem / EvolveMem）独立演进，通过统一入口 from simplemem import SimpleMem 自动路由。文档非常完善，提供英文 + 12 种语言翻译（中文、日语、韩语、西班牙语、法语、德语等），配有详细的架构文档（docs/text-memory.md）和 MCP 接入指南。测试覆盖 tests/ 目录，benchmark 脚本可直接复现论文结果。安全方面，Docker 容器使用非 root 用户运行（appuser），MCP Server 实现了 JWT 认证和数据加密。
许可证： MIT，可自由商用。
SimpleMem 提供了三种部署路径，覆盖从个人开发到生产部署的全场景：
方式 1：pip 安装（推荐个人用户）
pip install simplemem
最轻量的方式。安装后直接 import：
from simplemem import SimpleMem
mem = SimpleMem() # auto 模式自动选择文本或多模态后端
mem.add_dialogue("Alice", "明天 meeting 定在 3 点", "2026-01-01T15:00:00")
mem.finalize()
answer = mem.ask("Alice 明天什么时候开会？")
方式 2：本地 Docker 部署（适合团队/生产）
git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem
docker compose up -d
容器启动后：
数据存储在 simplemem_data Docker volume 中，容器重启不丢失数据。
方式 3：MCP Cloud 服务（零运维）
直接配置到 Claude Desktop 或 Cursor 的 MCP 设置中，无需自己部署服务器：
{
"mcpServers": {
"simplemem": {
"url": "https://mcp.simplemem.cloud/mcp",
"headers": { "Authorization": "Bearer YOUR_TOKEN" }
}
}
}
硬件需求： GPU 非必须（CPU 模式可运行），推荐 4GB+ RAM、2GB+ 磁盘空间。需要配置 OpenAI 兼容 API Key（支持 OpenAI / OpenRouter / Qwen / Azure OpenAI / Ollama 本地模型）。
支持的主流 AI 平台：
Claude Desktop（Anthropic）、Cursor（AI IDE）、LM Studio（本地大模型）、Cherry Studio、PyPI 包生态，以及任何支持 MCP 协议的客户端。
典型使用场景：
当前局限：
性能注意事项：
enable_parallel_processing=True）SimpleMem 代表了 AI Agent 记忆系统的一个重要方向——从"被动存储"到"主动压缩与检索"。它的语义无损压缩理念正在被越来越多的 Agent 框架借鉴。
从项目 Roadmap 看，多模态和 EvolveMem 功能将通过 MCP 协议逐步开放，届时 Claude Desktop 和 Cursor 用户将能直接在 IDE 中调用完整的 SimpleMem 能力。
作者团队（Jiaqi Liu、Yaofeng Su、Peng Xia 等）持续活跃维护，issues 响应及时，社区讨论活跃。作为 MIT 许可的开源项目，它为商业落地提供了极高的灵活性。
Stars 增长背景： 项目于 2026 年 1 月发布，到分析时已获得 3400+ Stars，在 LLM Memory 相关开源项目中排名前列，增长速度远超同期类似项目。这反映了 AI Agent 赛道对记忆能力解决方案的强烈需求。