![logo动态.jpg]()
在过去的版本中，MemOS 已经帮助开发者解决了大模型的长期记忆管理问题。
v2.0.1 版本里，我们聚焦开发者实际应用场景，针对五项核心功能完成升级，进一步补全了 MemOS 在跨会话场景下的记忆管理能力和对话能力。
核心功能亮点
- 支持全量获取用户记忆；
- 对话功能实现“记忆持久”；
- Playground 支持手动删除过期记忆；
- 删除记忆接口优化与反馈机制升级，提高开发者分析与控制能力；
- Search 接口去重功能。
本次发布汇总
![1.png]()
一、全量获取记忆：开发者的“用户记忆快照”
在之前版本中，获取记忆通常需要分批或指定 query 才能返回结果，无法快速全量浏览某个用户的历史信息。
本次更新，我们发布了 get/memory 接口，支持开发者按时间倒序分页获取用户的所有事实记忆和偏好记忆。无需提供 query，开发者可以一键在应用前台展示用户所有记忆。
功能概述： get/memory 接口支持获取用户所有记忆，包括事实记忆与偏好记忆。
云服务示例
import os
import requests
import json
# 替换成你的 API Key
os.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，默认值为1
"size": 3, # 可选，默认值为10
"include_preference": "true"# 可选，默认值为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()}")
开源版本示例
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 接口发布：对话功能实现“记忆持久”
此次更新的 chat 接口将历史记忆自动纳入对话生成流程，系统会先检索与当前 query 相关的记忆，再结合会话上下文生成回答，并将对话结果返回开发者。
无需手动维护上下文，即可构建多轮、记忆驱动的对话体验，让 AI 应用更加自然、连续。
![2.png]()
交互流程：
- 如果存在用户历史消息，可先调用
add/message 写入 MemOS。
- 用户发送消息时，AI 应用调用 chat 接口。
- MemOS 处理流程：
- 召回用户相关历史记忆
- 拼接自定义指令、当前会话上下文与召回的记忆生成完整 Prompt
- 调用大模型生成回答
- AI 应用返回结果给终端用户。
功能概述： chat 接口上线，实现与用户的“记忆持久对话”，系统自动召回相关历史记忆并生成回答。
调用示例
import os
import requests
import json
# 替换成你的 API Key
os.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、删除记忆优化与反馈机制升级
为了提高接口调用效率和偏好记忆的调整能力，本次更新对 delete/memory 和 feedback 接口进行了优化：
- delete/memory 接口优化，可删除所有类型记忆，无需指定用户。
- feedback 接口支持偏好记忆更新，用户反馈可直接修改偏好记忆。
开发者现在可以在多用户场景下，更高效地管理记忆，并在分析和调试中获得更清晰的数据表现。
3.1 删除记忆
功能概述： delete/memory 接口优化，无需指定用户，支持删除所有类型记忆（用户记忆、知识库记忆等）。
云服务示例
import os
import requests
import json
# 替换成你的 API Key
os.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"] # 替换为真实的记忆 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 反馈修正（add\_feedback）
功能概述： feedback 接口支持偏好记忆修正，系统会根据用户反馈文本同步更新偏好记忆，无需额外参数。
云服务示例
import os
import requests
import json
# 替换成你的 MemOS API Key
os.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 记忆管理页：可视化控制
在之前版本中，Playground 的删除操作仍需调用接口。
v2.0.1 在 Playground 中新增了 手动删除过期记忆功能，用户可直接在页面中管理不再需要的记忆，实现快速调试或演示。 ![3.png]()
现在，开发者能够更直观地操作和验证记忆行为，进一步减少了重复调用接口的操作成本。
五、Search 接口去重：结果更精准
v2.0.1 对 search 接口新增了 dedup 参数，支持语义去重，减少重复检索结果。
![4.png]()
现在可以直接通过接口控制检索结果的重复策略，避免了可能出现同一事实的多种表述重复返回，及在统计或展示时需要额外处理重复数据的情况，进一步提升检索结果信息量和可用性。
开源项目示例
import json
import requests
BASE_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、开源社区更新
- get/memory 支持全量与分页检索；
- delete/memory 与 add/feedback 工具可在 MCP 中调用；
- Search 接口增加 dedup 去重策略；
- 修复调度 local 模式缺少 redis 配置报错；
- 修复 kv_cache 新版兼容问题；
- 批量 add 性能优化与更精细检索能力。
✨ 老规矩！
🚀 一键体验云平台
立即进入 MemOS 云平台，体验毫秒级记忆与偏好召回能力。
memos-dashboard.openmem.net/quickstart/?entrance=wechat
💾 如果你喜欢我们的工作，请一键三连：
⭐️ Star 🍴 Fork 👀 Watch
并欢迎通过 Issue 提交你的使用反馈、优化建议或 Bug 报告。
github.com/MemTensor/MemOS/issues
关于 MemOS
MemOS 为 AI 应用构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。
作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。
