在过往版本中，MemOS 已成功助力开发者应对大模型长期记忆管理的关键挑战。
v2.0.1 版本深度聚焦真实开发场景，围绕五大核心能力完成迭代升级，显著强化了 MemOS 在跨会话记忆调度与上下文感知对话方面的综合表现。
重点功能升级一览
- 开放全量用户记忆拉取能力；
- Chat 接口实现“记忆自动延续”，对话具备上下文连贯性；
- Playground 新增可视化过期记忆清理功能；
- 删除记忆接口全面重构，反馈机制同步增强，提升调试与分析效率；
- Search 接口新增语义级去重支持（dedup）。
本次更新概览
一、全量记忆获取：为开发者提供“用户记忆全景视图”
此前，记忆获取依赖分页或关键词 query 筛选，难以一次性掌握某用户完整记忆图谱。
本次上线 get/memory 接口，支持按时间倒序分页拉取指定用户的全部事实记忆与偏好记忆。无需 query 参数，即可在前端快速呈现用户全量记忆快照，大幅简化集成逻辑。
功能说明： get/memory 支持无条件获取用户所有类型记忆（含事实类与偏好类），默认返回最新批次，支持分页控制。
云服务调用示例
import osimport requestsimport json# 替换为你的 API Keyos.environ["MEMOS_API_KEY"] = "YOUR_API_KEY"os.environ["MEMOS_BASE_URL"] = "https://memos.memtensor.cn/api/openmem/v1"data = { "user_id": "memos_user_123", "page": 2, # 可选，默认为1 "size": 3, # 可选，默认为10 "include_preference": "true" # 可选，默认为true}headers = {"Content-Type": "application/json","Authorization": f"Token {os.environ['MEMOS_API_KEY']}"}url = f"{os.environ['MEMOS_BASE_URL']}/get/memory"res = requests.post(url=url, headers=headers, data=json.dumps(data))print(f"result: {res.json()}")
开源本地调用示例
curl --location --request POST 'http://0.0.0.0:8001/product/get_memory' \\--header 'Content-Type: application/json' \\--data-raw '{ "user_id": "test_1", "mem_cube_id": "test_1", "include_preference": "true", "page":2, "page_size":3}'
二、云服务 Chat 接口正式发布：“记忆驱动型对话”成为现实
全新 chat 接口将记忆检索与对话生成深度融合：系统自动召回与当前 query 相关的历史记忆，并将其与会话上下文融合构建 Prompt，交由大模型生成响应，全程无需开发者手动拼接上下文。
真正实现多轮自然对话与个性化交互体验，让 AI 应用更懂用户、更富连续性。
典型交互流程：
- 若存在历史消息，可先通过
add/message将其写入 MemOS； - 用户发起新请求时，AI 应用调用
chat接口； - MemOS 自动执行：
- 检索该用户相关记忆片段；
- 整合系统指令、当前会话及召回记忆生成完整 Prompt；
- 调用大模型输出回答；
- AI 应用将结果透传至终端用户。
功能说明： chat 接口内置记忆感知能力，支持开箱即用的记忆增强型对话。
调用示例
import osimport requestsimport json# 替换为你的 API Keyos.environ["MEMOS_API_KEY"] = "YOUR_API_KEY"os.environ["MEMOS_BASE_URL"] = "https://memos.memtensor.cn/api/openmem/v1"data = {"user_id": "memos_user_123","conversation_id": "memos_chat_conv","query": "你好，给我推荐美食。"}headers = {"Content-Type": "application/json","Authorization": f"Token {os.environ['MEMOS_API_KEY']}"}url = f"{os.environ['MEMOS_BASE_URL']}/chat"res = requests.post(url=url, headers=headers, data=json.dumps(data))print(f"result: {res.json()}")
三、记忆删除与反馈机制双重优化
为提升多用户环境下的记忆治理效率与偏好调整精度，本次对 delete/memory 与 add/feedback 接口进行关键增强：
-
delete/memory支持跨用户批量删除任意类型记忆（包括用户记忆、知识库记忆等），不再强制绑定 user_id； -
add/feedback新增偏好记忆直接修正能力，仅需提供反馈文本即可触发记忆更新，降低使用门槛。
开发者可在复杂业务场景中更灵活地实施记忆生命周期管控，并获得更透明、可追溯的调试数据。
3.1 记忆批量删除
功能说明： delete/memory 接口解耦用户维度，支持基于 memory_ids 的全局精准删除。
云服务示例
import osimport requestsimport json# 替换为你的 API Keyos.environ["MEMOS_API_KEY"] = "YOUR_API_KEY"os.environ["MEMOS_BASE_URL"] = "https://memos.memtensor.cn/api/openmem/v1"data = {"memory_ids": ["6b23b583-f4c4-4a8f-b345-58d0c48fea04"] # 替换为实际 memory ID}headers = {"Content-Type": "application/json","Authorization": f"Token {os.environ['MEMOS_API_KEY']}"}url = f"{os.environ['MEMOS_BASE_URL']}/delete/memory"res = requests.post(url=url, headers=headers, data=json.dumps(data))print(f"result: {res.json()}")
3.2 偏好记忆智能反馈（add_feedback）
功能说明： add/feedback 接口支持语义化偏好修正，系统自动解析反馈内容并更新对应偏好记忆，无需额外配置参数。
云服务示例
import osimport requestsimport json# 替换为你的 MemOS API Keyos.environ["MEMOS_API_KEY"] = "YOUR_API_KEY"os.environ["MEMOS_BASE_URL"] = "https://memos.memtensor.cn/api/openmem/v1"data = { "user_id": "memos_user_123", "conversation_id": "0108", "feedback_content": "错啦，实际上我喜欢的是山竹", "feedback_time": "2025-12-02 10:10:10", "allow_knowledgebase_ids": [ "basebXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX" ] }headers = {"Content-Type": "application/json","Authorization": f"Token {os.environ['MEMOS_API_KEY']}"}url = f"{os.environ['MEMOS_BASE_URL']}/add/feedback"res = requests.post(url=url, headers=headers, data=json.dumps(data))print(json.dumps(res.json(), indent=2, ensure_ascii=False))
开源项目示例
curl --location --request POST 'http://0.0.0.0:8001/product/feedback' \\--header 'Content-Type: application/json' \\--data-raw '{ "user_id": "memos_user_123", "writable_cube_ids": [ "demo_cube_001" ], "history": [ {"role": "user", "content": "我喜欢什么水果，不喜欢什么水果"}, {"role": "assistant", "content": "你喜欢苹果，不喜欢香蕉"} ], "feedback_content": "错了，实际上我喜欢的是山竹"}'
四、Playground 新增记忆管理面板：所见即所得操作
旧版 Playground 中，记忆清理必须依赖接口调用，缺乏直观性。
v2.0.1 在 Playground 控制台新增「记忆管理页」，支持开发者直接勾选并一键删除过期或冗余记忆，适用于快速验证、教学演示及现场调试。 
此举显著降低记忆调试门槛，减少重复编码与接口往返，提升整体开发体验。
五、Search 接口支持语义去重：检索结果更精炼
v2.0.1 为 search 接口新增 dedup 参数，启用后可自动合并语义相近的记忆条目，避免同一事实因表述差异重复返回。
该能力有效规避展示层与统计环节的数据冗余处理，提升结果的信息密度与工程可用性。
开源项目示例
import jsonimport requestsBASE_URL = "http://127.0.0.1:8001"headers = {"Content-Type": "application/json"}data = {"user_id": "memos_user_123","query": "我喜欢吃什么？","top_k": 10,"dedup": "sim"}res = requests.post(url=f"{BASE_URL}/product/search", headers=headers, data=json.dumps(data))print(res.status_code, res.json())
六、开源社区同步更新
-
get/memory支持全量拉取与分页查询； -
delete/memory与add/feedback已接入 MCP 工具链，支持低代码调用； -
search接口新增dedup去重策略； - 修复 local 模式下缺失 Redis 配置导致的启动异常；
- 兼容新版 kv_cache 实现，消除兼容性报错；
- 批量写入性能进一步优化，检索粒度更细、响应更精准。
✨ 惯例不变！
? 即刻体验云平台
前往 MemOS 云平台，亲测毫秒级记忆召回与偏好感知能力。
memos-dashboard.openmem.net/quickstart/?entrance=wechat
? 如果认可我们的努力，请慷慨支持：
⭐️ Star ? Fork ? Watch
也欢迎通过 Issue 提交使用心得、改进建议或问题反馈。
github.com/MemTensor/MemOS/issues
关于 MemOS
MemOS 是面向 AI 应用打造的一站式记忆操作系统，赋予智能体类脑式的长期记忆与即时记忆管理能力。
作为全球首个提出“记忆调度”架构的记忆张量平台，MemOS 致力于重构模型记忆资源的全生命周期管理范式，为下一代智能系统提供高可靠、高弹性、可协同的记忆基础设施。
源码地址：点击下载
