快速开始：启动并运行MemOS
你将学到什么
欢迎！本指南将帮助你在几分钟内完成 安装、初始化，并 运行你的第一个带有记忆增强的大语言模型（LLM）应用。
只需几分钟，你将学会如何搭建一个 **最小可用的 MemOS Pipeline **，将你的 LLM 与持久化且可搜索的记忆相连接。
完成后，你将能够 存储、检索和更新简单的记忆，为构建带记忆增强的聊天机器人和智能代理奠定基础。
安装 MemOS
开始之前，请按照我们的 安装指南 安装 MemOS 和您可能需要的任何依赖。
创建最简配置
本快速开始将使用内置的 GeneralTextMemory — 无需外部向量数据库或图数据库。
from memos.configs.mem_os import MOSConfig
# 初始化 MOSConfig
mos_config = MOSConfig.from_json_file("examples/data/config/simple_memos_config.json")
创建用户并注册 MemCube
import uuid
from memos.mem_os.main import MOS
mos = MOS(mos_config)
# 生成唯一用户ID
user_id = str(uuid.uuid4())
# 创建用户
mos.create_user(user_id=user_id)
# 为该用户注册一个简单的记忆立方体
mos.register_mem_cube("examples/data/mem_cube_2", user_id=user_id)
添加你的第一个记忆
# 添加一些对话历史
mos.add(
messages=[
{"role": "user", "content": "我喜欢踢足球。"},
{"role": "assistant", "content": "那真棒！"}
],
user_id=user_id
)
检索与搜索记忆
# 搜索与查询相关的记忆
result = mos.search(
query="用户喜欢什么？",
user_id=user_id
)
print("找到的记忆：", result["text_mem"])
保存与加载记忆
# 保存你的记忆立方体
mos.dump("tmp/my_mem_cube")
# 之后，可以重新加载
mos.load("tmp/my_mem_cube")
后续步骤
恭喜！你刚刚运行了一个最简的带记忆增强的 MemOS Pipeline 。
准备升级了吗？
- 结构化记忆：尝试基于图的分层知识 TreeTextMemory。
- 激活记忆：使用 KVCacheMemory 加速多轮对话。
- 参数化记忆：用适配器/LoRA 实现动态技能注入。
- 图与向量后端：连接 Neo4j 或 Qdrant 实现生产级向量/图搜索。
需要帮助？
请查看：