memobase

项目背景与核心价值想象这样一个场景：你每天和 AI 助手聊工作、聊生活、聊兴趣，聊了三个月后，它突然「失忆」了，问你「你平时喜欢什么？」——这是当前大多数 AI 应用的通病：缺乏长期记忆。大多数 LLM 应用只靠上下文窗口（Context Window）来「假装」有记忆，一旦对话变长，早期的重要信息早就被遗忘。Memobase 正是为解决这一问题而生。它是一个基于用户画像的长期记忆系统，专门为 LLM 应用提供用户级别的长期记忆能力。无论你是在构建虚拟陪伴机器人、教育辅导工具，还是个性化助手，Memobase 让你的 AI 能够记住用户、理解用户、与用户共同进化。Memobase 最大的差异化在于：Memory for User, not Agent。传统记忆系统（如 Mem0）侧重于让 AI Agent 记住「任务」和「知识」，而 Memobase 专注于记住「用户是谁」——用户的基本信息、偏好、历史事件、心理状态。这种以用户为中心的记忆设计，使其特别适合虚拟陪伴、个性化教育、CRM 助理等需要「认识用户」的场景。---## 核心功能与使用方式### SDK 模式：直接嵌入你的应用Memobase 提供 Python、TypeScript、Go 多语言 SDK，安装仅需一行命令：bashpip install memobase核心使用流程极为简洁：pythonfrom memobase import Memobase, User# 初始化客户端client = Memobase(api_key="your-key", base_url="https://api.memobase.dev")# 创建用户user = client.create_user(user_id="alice-001")# 插入对话记录（Memobase 自动提取关键信息构建用户画像）user.insert(ChatBlob(content="今天学习了 Python 编程，用的是 PyCharm IDE"))# 获取完整用户画像（包含基本信息、兴趣、教育背景等）profile = user.get_profile()# → {'basic_info': {'language_spoken': ['中文']}, 'interest': {'programming': 'Python'}, ...}开发者无需手工提取实体，Memobase 内置 LLM 驱动的信息抽取管线，自动将对话内容转化为结构化的用户画像字段。这大大降低了接入成本——你只需要灌入原始对话文本，剩下的交给 Memobase。### MCP 模式：让 AI Agent 拥有记忆Memobase 还提供了 MCP Server（Model Context Protocol 服务器），这是面向 AI Agent 的核心亮点。MCP 是 Anthropic 主导的 AI 工具调用协议，主流 AI Coding 助手（如 Claude Desktop）均已支持。通过 MCP Server，AI Agent 可以直接调用三个工具：- save_memory: 将信息存入长期记忆- get_user_profiles: 获取用户完整画像- search_memories: 语义检索相关记忆对于 AI Coding 助手来说，这意味着它可以在多个会话中「记住」你项目的技术栈、架构偏好、之前的 bug 修复记录，不再每次都从头解释上下文。---## 技术架构与代码分析### 多层模块化架构Memobase 源码按职责分为三大模块：| 模块 | 路径 | 说明 ||------|------|------|| Client SDK | src/client/ | 多语言 SDK（Python/TS/Go），封装 API 调用 || MCP Server | src/mcp/ | Model Context Protocol 服务器，Docker 容器化 || Backend Server | src/server/ | 完整后端服务，含 API + 数据库 + 缓存 |Python Client 核心依赖：- pydantic: 数据模型验证（User、ChatBlob、SummaryBlob 等均有 Pydantic 模型）- httpx: 异步 HTTP 客户端（支持异步编程）- openai: LLM 调用（支持 OpenAI 兼容接口，可接入 vLLM、Ollama 等）Backend Server 技术栈：- FastAPI: 高性能 Python Web 框架，支撑 REST API- PostgreSQL + pgvector: 关系型数据库 + 向量检索，存储用户记忆并支持语义相似度搜索- Redis: 缓存层，降低数据库压力，提升读取性能MCP Server 基于 mcp[cli]>=1.3.0 构建，符合 Anthropic MCP 规范，支持 SSE 和 stdio 两种传输协议，可灵活对接不同 AI 客户端。### LLM 驱动的记忆生成管线Memobase 的核心技术亮点在于其自动用户画像生成管线。当用户输入一段对话时，后端流程如下：1. 事件抽取（Event Extraction）：调用 LLM 从原始对话中提取关键事件实体（人名、地点、工具、话题等）2. 画像更新（Profile Update）：基于新事件，更新用户画像的对应字段（兴趣、教育、工作等）3. 摘要生成（Summary）：定期调用 LLM 生成记忆摘要，供快速读取v0.0.40 版本对该管线进行了重大优化，将单次运行中 LLM 调用次数从 3-10 次降低到固定的 3 次，Token 消耗降低 40-50%，显著控制了使用成本。### 性能设计：100ms 内响应记忆请求传统 RAG 系统需要每次从向量数据库中检索相关内容，再注入到 Prompt 中，延迟较高。Memobase 的设计思路更接近 ChatGPT 的记忆系统：为每个用户预先生成并维护一套结构化的用户画像，使用时只需执行少量 SQL 查询即可，线上延迟可控制在 100ms 以内。在 LOCOMO Benchmark（长期记忆评测基准）上，Memobase 达到了 SOTA（State-of-the-Art） 性能。---## 部署方式与门槛### 快速上手（推荐）方式一：Python SDK（适合应用集成）bashpip install memobase无额外依赖，注册 memobase.io 获取 API Key 即可使用云端服务。开发环境零配置。方式二：Docker Compose 完整部署（适合私有化）bashcd src/servercp .env.example .envdocker compose up -d一键启动 PostgreSQL（pgvector）+ Redis + Memobase API 完整服务栈。方式三：MCP Server Docker 部署（适合 AI Agent）bashcd src/mcpdocker build -t memobase-mcp .docker run -p 8050:8050 memobase-mcp### 环境要求| 资源 | 要求 ||------|------|| GPU | ❌ 不需要 || 内存 | 建议 2GB+ || 磁盘 | 2GB+（含数据库） || 必需 | Docker & Docker Compose |LLM API Key 是必须的——Memobase Server 需要 LLM 来驱动记忆生成管线，支持 OpenAI API Key 或任何 OpenAI-SDK-兼容服务（vLLM、Ollama 等）。Embedding API 可选，禁用后使用关键词检索替代语义搜索。---## 局限性与挑战1. LLM 成本不可忽视Memobase Server 每次记忆更新都需要调用 LLM API。在高频对话场景下，Token 消耗会逐步累积。虽然 v0.0.40 优化了 40-50% 成本，但长期运营仍需关注 API 费用。2. 对话上下文管理由应用负责Memobase 负责的是「记忆存储」，而非「对话管理」。你需要自行决定何时调用 insert() 灌入对话内容，以及如何将记忆融入 Prompt 中。Memobase 提供了 context API 支持自定义 Prompt 模板，这是连接记忆和 LLM 的关键桥梁。3. Embedding API 的取舍关闭 Embedding 后，Memobase 退化为纯关键词检索，对于语义相似但表述不同的问题（如「我昨天学的编程语言」vs.「Python」）检索效果会显著下降。生产环境建议开启 Embedding，这又是一笔额外成本。4. 数据隐私Memobase 的定位是「纯本地存储」（用户数据与 Memobase 自身隔离），但实际数据由你自己（或你的服务提供商）托管。如果使用云端服务，需确认数据合规要求。---## 行业意义与趋势Memobase 所在的赛道是 LLM Memory（长期记忆），这是大模型应用从「工具」走向「伴侣」的关键基础设施。当前主流解决方案包括：| 方案 | 特点 | Memobase 优势 ||------|------|----------------|| Mem0 | 通用记忆，强调 Agent 记忆 | 专注用户画像，性能更好 || GPTs / Assistant API | 官方方案，封闭 | 开放可控，支持私有部署 || RAG | 通用检索增强 | 开箱即用，但延迟高 || Memobase | 用户画像 + 低延迟 + 多语言 | 专为用户场景优化 |Memobase 的增长势头值得关注：上线不到一年已获 2700+ GitHub Stars，Discord 社区活跃，官网提供 Playground 演示。在 GitHub Trending 上多次上榜，被 Threads、LinkedIn 等平台 AI 账号持续关注。从技术趋势看，AI 应用的记忆层正成为标配能力。OpenAI 在 Assistant API 中内置 Memory，Anthropic 通过 MCP 协议开放记忆工具接口，Memobase 作为独立开源方案填补了「用户画像记忆」这一细分场景的空缺。其多语言 SDK 策略（Python/TS/Go）降低了不同技术栈团队的接入门槛，MCP 集成则使其天然适配 AI Agent 时代。---本报告基于 GitHub 仓库源码、README 文档及官方资讯生成。图片在当前网络环境下无法验证，暂不附图。