memhub
Health Warn
- License — License: Apache-2.0
- Description — Repository has a description
- Active repo — Last push 0 days ago
- Low visibility — Only 6 GitHub stars
Code Pass
- Code scan — Scanned 12 files during light audit, no dangerous patterns found
Permissions Pass
- Permissions — No dangerous permissions requested
No AI report is available for this listing yet.
All your agents. One memory. Layered, versioned long-term memory for LLM agents, shared across Claude Code, Codex, Cursor and more. 让你的所有AI工具共享一份长期记忆:分层整理、版本演化,偏好变了也记得准。
memhub
当场记下事实,事后看出规律。
System 1 在对话里写下事实和变化,dual(System 2)再把它们归纳成稳定规律。MemHub 让多个 Agent 共用这一份记忆。
为什么选 memhub
你已经告诉 AI 三次「我现在不吃辣了」,它还在推荐川菜馆。聊了几十轮,它背得出每一句原话,却说不出你做事的稳定习惯。在 Cursor 里交代过的代码规范,Codex 并不知道。
1. 🏆 同一个模型,记得更准、写得更快
抽取、作答、评分用同一个模型(Qwen3.8-27B),同一套 embedding(bge-m3),同一批题目——只换记忆系统:
| 记忆系统 | LoCoMo (308 题) |
LongMemEval (24 题) |
PersonaMem-v2 (476 题) |
单篇长对话写入耗时 (秒,越低越快) |
|---|---|---|---|---|
| memhub | 74.7 | 91.7 | 50.0 | 503 |
| hy-memory 2.0.4 | 66.6 | 70.8 | 43.5 | 2485 |
| mem0 | 65.6 | 83.3 | 47.9 | 808 |
三场公开评测都排第一,写入大约是 hy-memory 的五分之一。 协议、显著性、题型细分和复现命令见 评测说明。
2. 🧠 两套系统,这就是 dual
名字里的 dual 指 chat 里的两套记忆,也是论文里要写的方法层。
- System 1(默认
system1):对话进行时写入。原话、事实、个人画像分层存放;你改了主意、换了城市或更新了方案,它追加新版本并保留历史,回答用最新的。 - dual / System 2(
mode="dual",再调用digest()):会话告一段落时,跨多条证据归纳行为规律和长期画像(L3)。
对应示例:examples/02_dual.py。
3. 🔗 多个 Agent,一份记忆
MemHub 把上面这两套系统接到本机上的多个工具。Claude Code、Codex、Cursor、Hermes、Agentica、CodeBuddy、OpenCode、WorkBuddy 读写同一份记忆,数据默认留在你的电脑上。
pip install "memhub[all]"
memhub hub install-service # 后台常驻,开机自启(卸载用 uninstall-service)
memhub hub install-host all # 一键接入本机已安装的 AI 工具(卸载用 uninstall-host all)
memhub hub scan --source all # 把过去的对话也变成记忆
memhub hub recall "我之前做过哪些技术选择"
memhub hub ui # 在浏览器按项目查看、搜索、编辑、删除记忆
零配置发现本机服务,对话先存下来立刻返回,整理在后台进行。一轮对话结束时宿主的 Hook 把新增内容交给 Core,你下一次输入提示词时相关记忆自动注入;Agent 也能通过 MCP 主动查。写代码的会话会连同工具调用一起送达,沉淀成工程经验。
多台电脑共用一份记忆:每台电脑都留一份完整的本地记忆,检索只查本机(断网照常),各台之间同步变更日志。普通人用 iCloud / Dropbox 之类的同步文件夹,开发者用一个私有 git 仓库,有服务器的连服务器上的 Core——
memhub hub connect dir "~/Library/Mobile Documents/com~apple~CloudDocs/memhub"
memhub hub connect git [email protected]:you/my-memory.git
memhub hub connect ssh user@your-server
同步交换的是已经裁决好的记忆和向量,接收方不调任何模型。见 多设备同步 与 MemHub 文档。
4. 🛠️ 工程排障也能留下来
chat 和 coding 是同一个 add() / search()。messages 里带工具轨迹(role="tool" 或 assistant 的 tool_calls)、且 JEV 判成工程会话时,除了照常写入的事实和画像,还会抽出可复用的工程经验(kind="procedure":任务、方案、文件、适用边界)。它和对话记忆共用存储、版本链和 JEV 裁决,search(procedure_limit=3) 单独返回 procedures 组;dual 模式下也参与 digest() 归纳。用法见 快速开始 · Coding 记忆。
安装
pip install memhub
含 REST / CLI / MCP / MemHub:pip install "memhub[all]";各 extra 也可以单独装,MCP 基于 mcp 2.x。首次运行会把包内 config.default.yaml 复制成 ~/.memhub/config.yaml。启动要三把钥匙,缺一就拒绝构造:
jev_api_key: "" # 写入裁决。System One,不是 Chat Completions
jev_endpoint: https://api.typesafe.ai/v1/systemone
llm_api_key: "" # 抽取与 System 2。OpenAI 兼容,地址可改
llm_base_url: https://api.openai.com/v1
embed_api_key: "" # 向量索引与检索。OpenAI 兼容,地址可改
embed_base_url: https://api.openai.com/v1
三把钥匙和三个地址都可以改成环境变量:MEMHUB_JEV_API_KEY / MEMHUB_JEV_ENDPOINT、MEMHUB_LLM_API_KEY / MEMHUB_LLM_BASE_URL、MEMHUB_EMBED_API_KEY / MEMHUB_EMBED_BASE_URL。
快速开始
日常记忆
from memhub import SyncMemoryClient
with SyncMemoryClient() as memory:
memory.add(content="我住在上海,最近开始不吃辣了。", user_id="alice")
memory.add(content="下个月我要搬去北京工作。", user_id="alice")
res = memory.search(query="给 alice 推荐一家餐厅", user_id="alice")
for m in res.memories.profile + res.memories.normal:
print(m.content)
它会记住 alice 不吃辣、即将搬去北京,并且知道「上海」已经是过去时。
Coding 记忆
不需要开关,也没有第二个检索入口。messages 里出现工具轨迹(某条是 role="tool",或者 assistant 带了 tool_calls)是结构条件;接着 JEV 判断整段是不是工程会话,是才另外抽出 task / solution / files,作为 kind="procedure" 的 L1 记忆。L0_RAW、procedure 抽取和 JEV 裁决都只看用户请求与最终回答;工具调用只用来提取涉及的 files,工具输出不进入任何模型。同一段会话里用户顺口说的偏好(例如「我习惯用 uv」)照常进事实和画像。
把几个 .py 文件的正文放进 add(content=...) 或普通 user 消息,没有工具轨迹,只走 chat 记忆。
from memhub import SyncMemoryClient
with SyncMemoryClient() as memory:
memory.add(
messages=[
{"role": "user", "content": "高并发写入 SQLite 偶发 database is locked,帮我排查。"},
{
"role": "assistant",
"content": "我先读取存储层代码查看事务开启方式。",
"tool_calls": [{"id": "t1", "name": "read_file", "arguments": {"path": "app/db.py"}}],
},
{
"role": "tool",
"tool_call_id": "t1",
"content": "conn = sqlite3.connect(db_path, timeout=5.0) # default DEFERRED transaction",
},
{
"role": "assistant",
"content": "原因:DEFERRED 事务先读后写,升级写锁时若另一连接已持有写锁,SQLite 直接返回 SQLITE_BUSY 而不等待 timeout。改为 BEGIN IMMEDIATE 提前获取写锁,并将 timeout 调至 30s。",
},
],
user_id="alice",
workspace_id="~/code/app", # procedure 的版本边界,可省略
)
res = memory.search(
query="SQLite 并发写入报 database is locked 怎么解决",
user_id="alice",
procedure_limit=3, # 默认 0:chat 检索结果和以前完全一样
)
for m in res.memories.procedures:
print(m.procedure.task, "->", m.procedure.solution, m.procedure.files)
示例
两条最值得看的:examples/02_dual.py 是 digest() 归纳 L3,examples/06_coding_memory.py 是工具轨迹写入、方案演化和 procedures 组检索。REST、CLI、生命周期在 examples/ 目录里。异步客户端见 快速开始。
功能特性
记忆
- 版本演化 — 「住上海 → 搬北京」是一次更新,旧版本留作历史,回答默认用最新的
- 分层存放 — 原话(L0)、事实与意图(L1)、画像(L2)、跨证据规律(L3)分开,按需取用
- 决策模型(Jev)把关写入 — 新信息、重复,还是更新,由轻量模型判断
- 原话可查 — 整理过的记忆之外,原始对话始终保留
接入
- Python SDK —
pip install memhub - MemHub —
memhub hub install-host all - MCP / REST / CLI —
memhub-mcp、memhub serve、memhub add/memhub search - 框架插件 — Agentica、Claude Code Hook、Hermes、OpenClaw,见 集成文档
Roadmap
- System 1 分层记忆 + 版本演化
- dual / System 2:显式
digest()归纳 L3 - 专用决策模型把关写入
- MemHub:8 个 AI 工具(Claude Code / Codex / Cursor / Hermes / Agentica / CodeBuddy / OpenCode / WorkBuddy)共享记忆、历史会话导入、后台整理
- 多设备同步:每台本地检索、离线可用,经同步文件夹 / git / 服务器交换变更
- chat 与 coding 统一:工程会话沉淀 procedure 经验,
dual也归纳工程习惯 - LoCoMo / LongMemEval / PersonaMem-v2 同场评测领先
- 记忆可视化管理:
memhub hub ui按项目查看、搜索、编辑、删除记忆 - MemHub 接入更多工具:Gemini CLI、Windsurf、Trae 等,目标 10+ 种
- 云端 HTTP MCP:远程 Agent 直接连接托管记忆
- 多跳推理类问题的检索增强(LoCoMo multi-hop 仍有提升空间)
- 补充更多公开评测(CodeMemoryBench 等,待数据公开)
欢迎在 Issues 投票或提需求。
News
- [2026/11/02] v0.2.2:项目与 PyPI 包名正式升级为
memhub(pip install memhub、import memhub、CLImemhub、配置~/.memhub/config.yaml)。新增本机可视化管理页memhub hub ui(按项目浏览、混合检索、编辑生成新版本、删除同步);新增支持 CodeBuddy、OpenCode、WorkBuddy(共 8 种宿主工具);同步目标升级为 float16 向量压缩 + 快照折叠(不再无限增长);每轮召回按项目限定并只截取相关对话段落,离线评测达到 35/36。详见 Release-v0.2.2。 - [2026/11/01] v0.2.1:多设备改为每台电脑本地检索,用网盘文件夹、私有 git 仓库或服务器交换变更日志,删掉了常驻 SSH 隧道。模型配置统一到
~/.dual-mem/config.yaml。工程记忆只保留问题和最终回答,工具输出不再送进模型。自动归纳改为一天最多一次。详见 Release-v0.2.1。 - [2026/10/24] v0.2.0:chat 与 coding 统一成同一套
add()/search()。带工具轨迹的工程会话在对话记忆之外沉淀kind="procedure"工程经验,共用存储、版本链和 JEV 裁决,search(procedure_limit=3)单独返回procedures组;dual的digest()也覆盖工程经验。删除search_coding与独立的 coding 库。chat 路径的 prompt、裁决与召回不变。MemHub 采集 Claude Code / Codex / Agentica 的工具轨迹,dual 模式空闲时自动 digest;新增dual-mem hub connect user@server,一条命令建隧道、读 token、写好hub.json。MCP 迁移到 mcp 2.x;install-host改写 YAML 时保留注释。详见 Release-v0.2.0。
- [2026/10/23] v0.1.5:修复 Coding 记忆接真实模型时写不进去的问题。抽取改为返回
{"candidates": [...]}对象,适配默认llm_json_mode;去掉 coverage 硬门槛;同一批写入可以覆盖同一条旧方案;裁决只看当前版本边界内的记录;同一用户的并发写入按 scope 串行。快速上手补充 Coding 记忆章节,examples/06_coding_memory.py增加方案更新后只返回当前版本的示例。详见 Release-v0.1.5。 - [2026/10/23] v0.1.4:新增 MemHub 本地单 Core 跨工具记忆中枢(支持 Claude Code / Codex / Cursor / Hermes / Agentica 会话增量导入、后台持久队列写入、开机自启与云端隧道连接);升级 System 2 v3 聚类认知与版本桥召回;补充 Coding 记忆示例并精简无收益配置项;在 LoCoMo(74.7)、LongMemEval(91.7)、PersonaMem-v2(50.0)同场评测中全面领先 hy-memory 2.0.4 与 mem0。详见 Release-v0.1.4。
- [2026/10/15] v0.1.3:升级为 L0_RAW / L1_FACT / L2_PROFILE / L3_DERIVED 四层记忆架构与 JEV 专用决策模型写路径,支持 target-first 关系裁决、版本演化链与历史回溯;新增 Agentica / Claude Code / Hermes / OpenClaw 原生生态集成与 Coding 记忆子系统(存储格式不兼容旧版,需使用新目录)。详见 Release-v0.1.3。
- [2026/06/20] v0.1.2:新增
SyncMemoryClient同步客户端封装,支持首次运行自动生成~/.dual_mem/config.yaml默认配置,完善 REST / MCP / CLI 统一契约与在线文档站点。详见 Release-v0.1.2。 - [2026/06/19] v0.1.1:发布双系统分层记忆 SDK,支持语义 + BM25 + RRF 混合检索及 CLI / REST / MCP 接口。详见 Release-v0.1.1。
- [2026/06/18] v0.1.0:首版开源。
完整变更见 CHANGELOG。
文档
完整使用文档:https://shibing624.github.io/memhub
| 文档 | 内容 |
|---|---|
| 安装与配置 | extras、配置文件、凭证与优先级 |
| 快速开始 | 同步 / 异步客户端、多轮写入、Agent 集成 |
| 架构说明 | 可选阅读:SDK 与各接入层的关系、存储 |
| 四层记忆 | 可选阅读:L0 原文 / L1 事实 / L2 画像 / L3 推导 |
| 写入决策设计 | 可选阅读:决策模型动作与关系、版本链 |
| MemHub | 本地 Core、8 个宿主接入、历史会话导入 |
| 多设备同步 | dir / git / ssh / http 变更日志复制,每台本地检索 |
| MCP / REST | 工具 ↔ HTTP ↔ SDK 对照 |
| 生态集成 | Agentica / Claude Code / Hermes / OpenClaw |
| 评测说明 | 协议、题集、复现与结果细分 |
| 示例说明 | 6 个可运行的端到端示例脚本说明 |
本地预览:pip install -r requirements-docs.txt && mkdocs serve
社区与支持
如果 memhub 帮到了你,欢迎点个 ⭐ Star,让更多人看到。
- GitHub Issues — 提交 issue
- 微信群 — 添加微信号
xuming624,备注 "llm",加入技术交流群
引用
如果您在研究中使用了 memhub,请引用:
Xu, M. (2026). memhub: Dual-System Layered Memory SDK for LLM Applications. GitHub. https://github.com/shibing624/memhub
@misc{xu2026memhub,
author = {Xu, Ming},
title = {memhub: Dual-System Layered Memory SDK for LLM Applications},
year = {2026},
publisher = {GitHub},
url = {https://github.com/shibing624/memhub}
}
许可证
贡献
欢迎贡献,见 CONTRIBUTING.md。
致谢
Reviews (0)
Sign in to leave a review.
Leave a reviewNo results found