持续对话 Chat

1. 何时使用 Chat 接口

Chat 接口适合用于快速搭建带长期记忆能力的 AI 对话应用。你只需要传入用户本轮消息，MemOS 会自动完成记忆召回、Prompt 拼装、模型回答和对话写入。

一体化对话式 AI：一个接口即可完成对话生成，无需自建复杂链路。
记忆自动处理：自动提取、更新并检索记忆，减少手动维护成本。
持续上下文：在跨轮次、跨天甚至跨会话中保持连贯理解。

2. 对比记忆操作接口

使用 Chat

适合通用 AI 对话、业务 PoC 和快速验证

使用记忆操作接口

适合复杂 Agent 和业务系统深度集成

对比维度	Chat 接口	记忆操作接口
接入复杂度	低，开箱即用	中等，需要自行编排
记忆管理	自动处理	手动添加、检索、拼装
模型回答	MemOS 内置模型生成	自行调用外部模型
控制能力	适合常规配置	适合复杂链路和精细控制

3. 工作原理

chat接口流程.png

如存在用户历史消息，可先调用 add/message 写入 MemOS。
当终端用户发送消息时，你的 AI 应用调用 chat 接口，并传入用户消息及相关参数。
MemOS 召回与当前用户消息相关的历史记忆，并拼装自定义指令、当前会话上下文和用户记忆。
MemOS 调用模型生成回答，并将结果返回给你的 AI 应用。
默认情况下，MemOS 会在后台异步处理用户消息和模型回复，并加工写入记忆。

4. 快速上手

可选：添加历史消息

如果你已有历史对话，可以先调用 add/message 写入 MemOS；如果是全新用户或全新会话，可以跳过这一步，直接调用 Chat。

import requests

API_KEY = "YOUR_API_KEY"
BASE_URL = "https://memos.memtensor.cn/api/openmem/v1"

data = {
  "user_id": "memos_user_123",
  "conversation_id": "0610",
  "messages": [
    {"role": "user", "content": "我暑假定好去广州旅游，住宿的话有哪些连锁酒店可选？"},
    {"role": "assistant", "content": "您可以考虑【七天、全季、希尔顿】等等"},
    {"role": "user", "content": "我选七天"},
    {"role": "assistant", "content": "好的，有其他问题再问我。"}
  ]
}

res = requests.post(
  f"{BASE_URL}/add/message",
  headers={"Authorization": f"Token {API_KEY}"},
  json=data
)

print(res.json())

from memos.api.client import MemOSClient

client = MemOSClient(api_key="YOUR_API_KEY")

messages = [
  {"role": "user", "content": "我暑假定好去广州旅游，住宿的话有哪些连锁酒店可选？"},
  {"role": "assistant", "content": "您可以考虑【七天、全季、希尔顿】等等"},
  {"role": "user", "content": "我选七天"},
  {"role": "assistant", "content": "好的，有其他问题再问我。"}
]

res = client.add_message(
  messages=messages,
  user_id="memos_user_123",
  conversation_id="0610"
)

print(res)

curl --request POST \
  --url https://memos.memtensor.cn/api/openmem/v1/add/message \
  --header 'Authorization: Token YOUR_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "user_id": "memos_user_123",
    "conversation_id": "0610",
    "messages": [
      {"role": "user", "content": "我暑假定好去广州旅游，住宿的话有哪些连锁酒店可选？"},
      {"role": "assistant", "content": "您可以考虑【七天、全季、希尔顿】等等"},
      {"role": "user", "content": "我选七天"},
      {"role": "assistant", "content": "好的，有其他问题再问我。"}
    ]
  }'

调用 Chat 发起对话

调用 chat 时，MemOS 会自动检索相关记忆并生成回答。

import requests

API_KEY = "YOUR_API_KEY"
BASE_URL = "https://memos.memtensor.cn/api/openmem/v1"

data = {
  "user_id": "memos_user_123",
  "conversation_id": "0928",
  "query": "我国庆想出去玩，帮我推荐个没去过的城市，以及没住过的酒店品牌"
}

res = requests.post(
  f"{BASE_URL}/chat",
  headers={"Authorization": f"Token {API_KEY}"},
  json=data
)

print(res.json())

from memos.api.client import MemOSClient

client = MemOSClient(api_key="YOUR_API_KEY")

res = client.chat(
  user_id="memos_user_123",
  conversation_id="0928",
  query="我国庆想出去玩，帮我推荐个没去过的城市，以及没住过的酒店品牌"
)

print(res)

curl --request POST \
  --url https://memos.memtensor.cn/api/openmem/v1/chat \
  --header 'Authorization: Token YOUR_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "user_id": "memos_user_123",
    "conversation_id": "0928",
    "query": "我国庆想出去玩，帮我推荐个没去过的城市，以及没住过的酒店品牌"
  }'

需要查看完整字段、请求格式和响应格式？详见 Chat 接口文档。

5. 使用限制

输入上限：8,000 tokens。
输出上限：事实记忆最多召回 25 条，偏好记忆最多召回 25 条。

6. 更多使用方法

Chat 接口开箱即可使用，下面这些都是可选参数。只有当你需要控制记忆召回、模型回答或记忆写入方式时，再按场景传入对应字段。

控制记忆召回范围

如果希望回答时只参考特定范围内的记忆，可以通过以下几个字段控制召回范围与数量：

filter：按标签、时间、业务字段等条件精确筛选记忆
knowledgebase_ids：指定本次 Chat 可以检索哪些知识库
relativity：控制召回记忆的相关性门槛
memory_limit_number：限制返回给模型的事实记忆数量

data = {
  "user_id": "memos_user_123",
  "conversation_id": "0928",
  "query": "结合知识库，帮我整理差旅报销规则。",
  "knowledgebase_ids": ["kb_xxx"],
  "filter": {
    "and": [
      {"tags": {"contains": "差旅"}},
      {"create_time": {"gte": "2025-01-01"}}
    ]
  },
  "relativity": 0.8,
  "memory_limit_number": 9
}

控制模型回答方式

如果你需要指定模型、开启流式返回，或调整生成参数，可以传入以下字段：

model_name：指定对话模型
stream：控制是否流式返回
temperature：控制生成内容的随机性
top_p：控制生成时可选择的候选词范围
max_tokens：限制模型最多生成的内容长度

data = {
  "user_id": "memos_user_123",
  "conversation_id": "0928",
  "query": "用简洁的语气总结我的旅行偏好。",
  "model_name": "qwen2.5-72b-instruct",
  "stream": False,
  "temperature": 0.7,
  "top_p": 0.95,
  "max_tokens": 1024
}

如果要完全自定义模型行为，可以传入：

system_prompt：覆盖默认系统提示词，适合需要自定义角色、规则或输出格式时使用

展开查看默认 system_prompt 参考

# Role
你是一个拥有长期记忆能力的智能助手 (MemOS Assistant)。你的目标是结合检索到的记忆片段，为用户提供高度个性化、准确且逻辑严密的回答。

# Memory Data
以下是 MemOS 检索到的相关信息，分为“事实”和“偏好”。
- **事实 (Facts)**：可能包含用户属性、历史对话记录或第三方信息。
- **特别注意**：其中标记为 `[assistant观点]`、`[模型总结]` 的内容代表 **AI 过去的推断**，**并非**用户的原话。
- **偏好 (Preferences)**：用户对回答风格、格式或逻辑的显式/隐式要求。

<memories>
{memories}
</memories>

# Critical Protocol: Memory Safety
检索到的记忆可能包含 AI 自身的推测、无关噪音或主体错误。使用前请先判断来源、主体、相关性和时效性。

# Instructions
1. 先筛选可用记忆，丢弃噪音和不可靠推断。
2. 仅使用通过筛选的记忆补充背景。
3. 直接回答用户问题，不要提及“记忆库”“检索”或系统内部术语。

控制是否自动写入新记忆

默认情况下，Chat 接口会把本轮用户消息和模型回复写入记忆。如果你只想生成回答，不希望本轮对话进入记忆处理，可以传入：

add_message_on_answer：控制是否把本轮用户消息和模型回复写入记忆

data = {
  "user_id": "memos_user_123",
  "conversation_id": "0928",
  "query": "只回答这一次，不要把这轮对话写入记忆。",
  "add_message_on_answer": False
}

如果你只需要普通对话，可以忽略这些字段。当你希望 Chat 生成的新记忆带上业务归属，或控制它写入哪里时，再使用下面这些字段：

agent_id：标记当前对话属于哪个 Agent
app_id：标记当前对话来自哪个应用
tags：给新记忆打标签，便于后续检索和过滤
info：写入自定义业务信息，例如场景、订单 ID、状态
allow_public：是否允许写入项目级公共记忆
allow_knowledgebase_ids：允许写入哪些知识库

Add Feedback

记忆过滤