memos

MemOS é um sistema operacional de memória para LLMs e agentes de IA. Ele unifica as operações de armazenar, recuperar e gerenciar memória de longo prazo, visando interações sensíveis ao contexto e personalizadas, com bases de conhecimento, dados multimodais, memória de ferramentas e otimizações voltadas para empresas já integradas. Principais capacidades descritas no README: - API de Memória Unificada: uma API para adicionar, recuperar, editar e excluir memória, estruturada como um grafo inspecionável e editável, em vez de um armazenamento de embeddings opaco. - Memória multimodal: texto, imagens, rastros de ferramentas e personas são suportados e podem ser recuperados e raciocinados em conjunto. - Gerenciamento de base de conhecimento multi-cubo: múltiplas bases de conhecimento atuam como cubos de memória componíveis, permitindo isolamento, compartilhamento controlado e composição dinâmica entre usuários, projetos e agentes. - Ingestão assíncrona via MemScheduler: operações de memória podem ser executadas de forma assíncrona com latência em nível de milissegundos para estabilidade sob alta concorrência. - Feedback e correção de memória: memórias podem ser corrigidas, complementadas ou substituídas por meio de feedback em linguagem natural. Opções de implantação: - API em nuvem: um serviço hospedado acessado com uma chave de API do painel do MemOS; adicione e pesquise memórias por endpoints REST. - Auto-hospedagem: o Docker Compose inicia a API do MemOS junto com Neo4j e Qdrant, ou a API pode ser executada diretamente com uvicorn se esses serviços já estiverem disponíveis. A configuração abrange provedor de LLM, embedder, banco de dados vetorial, banco de dados de grafo e agendador. - Plugins: um plugin em nuvem e um plugin local integram a memória ao OpenClaw, Hermes Agent e DeepSeek Harness. O plugin em nuvem recupera memórias antes da execução de um agente e salva novas mensagens depois, e é descrito como fail-open, de modo que uma indisponibilidade temporária não interrompe a tarefa. O plugin local armazena memória no dispositivo em SQLite e fornece recuperação híbrida combinando FTS5 e busca vetorial, deduplicação inteligente, evolução de habilidades em camadas entre rastros L1, políticas L2 e modelos de mundo L3, colaboração multiagente e um painel Memory Viewer. Os caminhos de instalação incluem um pacote npm para o plugin em nuvem, instaladores shell e PowerShell para o plugin local, e Docker ou uvicorn para o serviço auto-hospedado. O projeto é licenciado sob Apache 2.0 e contém links para documentação, um artigo no arXiv, Discord e discussões no GitHub. O README também relata pontuações de benchmark e números de economia de tokens; essas são alegações do próprio projeto e não são verificadas de forma independente aqui.