性能调优
MemOS 的性能优化主要围绕 记忆提取 (Mem-Reader)、向量嵌入 (Embedding) 和 检索排序 (Search Ranking) 展开。大部分配置可以通过修改 YAML 配置文件（如 memos_config_w_scheduler.yaml）或直接调整源代码来实现。
1. 记忆提取优化 (Mem-Reader Prompt)
slow_embedder = { "backend": "sentence_transformer", "config": { "model_name_or_path": "nomic-ai/nomic-embed-text-v1.5" } }
`Mem-Reader` 组件负责从对话中提取关键信息。目前的实现中，Prompt 是定义在源代码模板中的。
### 修改 Prompt 模板
要调整提取逻辑（例如忽略闲聊、专注于特定事实），你需要直接修改源码文件：
* **文件路径**: `src/memos/templates/mem_reader_prompts.py`
* **目标变量**: `SIMPLE_STRUCT_MEM_READER_PROMPT` (用于英文) 或 `SIMPLE_STRUCT_MEM_READER_PROMPT_ZH` (用于中文)
**示例修改**：
在 `src/memos/templates/mem_reader_prompts.py` 中：
```python
SIMPLE_STRUCT_MEM_READER_PROMPT = """
You are a preference extraction expert.
Your task is to extract ONLY user preferences and dislikes from the conversation.
Ignore all other information including plans and daily events.
...
"""
2. 向量嵌入模型优化 (Embedding Models)
Embedding 模型的选择决定了语义检索的准确性和速度。通常在 YAML 配置文件中进行设置。
配置文件修改
在你的配置文件（如 memos_config.yaml）中，找到 mem_reader 或 text_mem 下的 embedder 部分：
mem_reader:
backend: "simple_struct"
config:
# ... 其他配置
embedder:
# 方案 A: 使用 Ollama (速度快，适合本地)
backend: "ollama"
config:
model_name_or_path: "nomic-embed-text:latest"
# 方案 B: 使用 Sentence Transformer (精度高，显存占用大)
# backend: "sentence_transformer"
# config:
# model_name_or_path: "BAAI/bge-m3"
- 推荐模型:
- 快速/本地:
nomic-embed-text(Ollama) - 高精度:
BAAI/bge-m3或OpenAI的text-embedding-3-small(需使用universal_apibackend)
- 快速/本地:
3. 检索排序优化 (Search Ranking)
检索性能主要受召回数量 (top_k) 和重排序策略影响。
调整召回数量 (Top-K)
在 mem_scheduler 的配置中调整 top_k。增加此值可以提高召回率，但会增加处理时间。
mem_scheduler:
backend: "general_scheduler"
config:
# 初始检索的候选数量
top_k: 20
# ...
引入 Reranker (进阶)
MemOS 支持在检索后引入 Reranker 进行精排。这通常需要在初始化 Searcher 组件时指定。如果你是作为开发者集成 MemOS，可以在代码中配置：
from memos.reranker.factory import RerankerFactory
# 在初始化 Searcher 时
reranker = RerankerFactory.from_config({
"backend": "sentence_transformer",
"config": {
"model_name_or_path": "BAAI/bge-reranker-base"
}
})
4. 系统资源与容量限制
合理限制各类记忆的容量可以防止内存无限增长，并保持检索速度。这通常在 mem_cube 的配置中设置。
内存容量配置 (Memory Size)
在 YAML 配置文件中，配置 memory_size 字典：
mem_cube:
backend: "general"
config:
text_mem:
backend: "tree"
config:
# 限制各类记忆的条目数
memory_size:
WorkingMemory: 10 # 最近几轮对话的短期记忆
LongTermMemory: 2000 # 长期记忆上限
UserMemory: 500 # 用户画像/偏好上限
批处理与并发
在 mem_scheduler 中可以配置并发处理能力：
mem_scheduler:
config:
thread_pool_max_workers: 10 # 并行处理线程数
consume_interval_seconds: 0.01 # 消息队列消费间隔
enable_parallel_dispatch: true # 开启并行分发