MemChat
1. 简介
MemChat 是 MemOS 的对话控制中心。
它不仅仅是一个聊天接口，更是连接“即时对话”与“长时记忆”的桥梁。在与用户交流的过程中，MemChat 负责实时地从 MemCube（记忆立方体）中检索相关背景信息，构建上下文，并将新的对话内容沉淀为新的记忆。通过它，你的 Agent 不再是“金鱼记忆”，而是能够真正理解过往、持续成长的智能伙伴。
2. 核心能力
记忆增强对话 (Memory-Augmented Chat)
在回答用户问题前，MemChat 会自动从 MemCube 中检索相关的 Textual Memory（文本记忆），将其注入到 Prompt 中。这使得 Agent 能够基于过往的交互历史或知识库来回答问题，而不仅仅依赖于 LLM 的预训练知识。
自动记忆沉淀 (Auto-Memorization)
对话后，MemChat 会利用 Extractor LLM 自动从对话流中提取有价值的信息（如用户偏好、事实知识），并存储到 MemCube 中。无需用户手动干预，整个过程完全自动化。
上下文管理
自动管理对话历史窗口 (max_turns_window)。当对话过长时，它会智能裁剪旧的上下文，同时依赖检索到的长期记忆来保持对话的连贯性，有效解决了 LLM Context Window 的限制问题。
灵活配置
支持通过配置开关不同类型的记忆（文本记忆、激活记忆等），适应不同的应用场景。
3. 代码结构
核心逻辑位于 memos/src/memos/mem_chat/ 下。
simple.py: 默认实现 (SimpleMemChat)。这是一个开箱即用的 REPL（Read-Eval-Print Loop）实现，包含了完整的“检索 -> 生成 -> 存储”闭环逻辑。base.py: 接口定义 (BaseMemChat)。定义了 MemChat 的基本行为，如run()和mem_cube属性。factory.py: 工厂类。负责根据配置 (MemChatConfig) 实例化具体的 MemChat 对象。
4. 关键接口
主要的交互入口是 MemChat 类（通常由 MemChatFactory 创建）。
4.1 初始化
你需要先创建一个配置对象，然后通过工厂方法创建实例。创建后，必须将 MemCube 实例挂载到 mem_chat.mem_cube 上。
4.2 run()
启动一个交互式的命令行对话循环。适合开发调试，它会处理用户输入、调用记忆检索、生成回复并打印。
4.3 属性
mem_cube: 关联的记忆立方体对象。MemChat 通过它来读写记忆。chat_llm: 用于生成回复的 LLM 实例。
5. 工作流程
MemChat 的一轮对话循环通常包含以下步骤：
- 接收输入 (Input): 获取用户的文本输入。
- 记忆检索 (Recall): (如果开启
enable_textual_memory) 使用用户输入作为 Query，从mem_cube.text_mem中检索 Top-K 条相关记忆。 - 构建提示词 (Prompt Construction): 将系统提示词、检索到的记忆、最近的对话历史 (History) 拼接成完整的 Prompt。
- 生成回复 (Generation): 调用
chat_llm生成回复。 - 记忆提取与存储 (Memorization): (如果开启
enable_textual_memory) 将本轮对话 (User + Assistant) 发送给mem_cube的提取器，提取新记忆并存入数据库。
6. 开发示例
下面是一个完整的代码示例，展示了如何配置 MemChat，并挂载一个基于 Qdrant 和 OpenAI 的 MemCube。
6.1 代码实现
import os
import sys
# 确保 src 模块可以被导入
sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), "../../../src")))
from memos.configs.mem_chat import MemChatConfigFactory
from memos.configs.mem_cube import GeneralMemCubeConfig
from memos.mem_chat.factory import MemChatFactory
from memos.mem_cube.general import GeneralMemCube
def get_mem_chat_config() -> MemChatConfigFactory:
"""生成 MemChat 配置"""
return MemChatConfigFactory.model_validate(
{
"backend": "simple",
"config": {
"user_id": "user_123",
"chat_llm": {
"backend": "openai",
"config": {
"model_name_or_path": os.getenv("MOS_CHAT_MODEL", "gpt-4o"),
"temperature": 0.8,
"max_tokens": 1024,
"api_key": os.getenv("OPENAI_API_KEY"),
"api_base": os.getenv("OPENAI_API_BASE"),
},
},
"max_turns_window": 20,
"top_k": 5,
"enable_textual_memory": True, # 开启显式记忆
},
}
)
def get_mem_cube_config() -> GeneralMemCubeConfig:
"""生成 MemCube 配置"""
return GeneralMemCubeConfig.model_validate(
{
"user_id": "user03alice",
"cube_id": "user03alice/mem_cube_tree",
"text_mem": {
"backend": "general_text",
"config": {
"cube_id": "user03alice/mem_cube_general",
"extractor_llm": {
"backend": "openai",
"config": {
"model_name_or_path": os.getenv("MOS_CHAT_MODEL", "gpt-4o"),
"api_key": os.getenv("OPENAI_API_KEY"),
"api_base": os.getenv("OPENAI_API_BASE"),
},
},
"vector_db": {
"backend": "qdrant",
"config": {
"collection_name": "user03alice_mem_cube_general",
"vector_dimension": 1024,
},
},
"embedder": {
"backend": os.getenv("MOS_EMBEDDER_BACKEND", "universal_api"),
"config": {
"provider": "openai",
"api_key": os.getenv("MOS_EMBEDDER_API_KEY", "EMPTY"),
"model_name_or_path": os.getenv("MOS_EMBEDDER_MODEL", "bge-m3"),
"base_url": os.getenv("MOS_EMBEDDER_API_BASE"),
},
},
},
},
}
)
def main():
print("Initializing MemChat...")
mem_chat = MemChatFactory.from_config(get_mem_chat_config())
print("Initializing MemCube...")
mem_cube = GeneralMemCube(get_mem_cube_config())
# 关键步骤：挂载记忆立方体
mem_chat.mem_cube = mem_cube
print("Starting Chat Session...")
try:
mem_chat.run()
finally:
print("Saving memory cube...")
mem_chat.mem_cube.dump("new_cube_path")
if __name__ == "__main__":
main()
7. 配置说明
在配置 MemChatConfigFactory 时，以下参数至关重要：
user_id: 必填。用于标识当前对话的用户，确保记忆的隔离性。chat_llm: 对话模型配置。建议使用能力较强的模型（如 GPT-4o），以获得更好的回复质量和指令遵循能力。enable_textual_memory:True/False。是否开启文本记忆。如果开启，系统会在对话前进行检索，并在对话后进行存储。max_turns_window: 整数。对话历史保留的轮数。超过此限制的历史记录将被截断，从而依赖长期记忆来补充上下文。top_k: 整数。每次从记忆库中检索多少条最相关的记忆片段注入到 Prompt 中。