EverMemOS 记忆技能

集成 EverMemOS 生产级 AI 记忆系统，让 AI 具有长期记忆能力。

📝 配置说明：使用前需要配置 EverMemOS 服务器地址和 API Key

快速配置

1. 安装 EverMemOS 服务器

参考官方文档：https://github.com/evermemos/EverMemOS

2. 配置技能

在环境中设置以下变量：

• - EVERMEMOSURL - EverMemOS API 地址 (默认: http://localhost:1995)
• EVERMEMOSAPI_KEY - API Key (如需要)

3. Docker 快速启动

bash

启动所有服务

cd EverMemOS
docker-compose up -d

确认服务运行

docker ps | grep memsys

记忆存储

1. 基本存储 (单条消息)

bash
curl -X POST ${EVERMEMOS_URL}/api/v1/memories \
-H Content-Type: application/json \
-d {
messageid: msg001,
content: 用户今天学习了AI部署,
sender: user,
create_time: 2026-03-16T06:00:00Z,
scene: assistant
}

2. Python 存储函数

python
import os
import requests
from datetime import datetime

EVERMEMOSURL = os.getenv(EVERMEMOSURL, http://localhost:1995)

def storememory(content, sender=user, userid=default):
存储记忆到 EverMemOS
data = {
messageid: fmsg{int(datetime.now().timestamp()*1000)},
content: content,
sender: sender,
userid: userid,
create_time: datetime.utcnow().isoformat() + Z,
scene: assistant
}
resp = requests.post(f{EVERMEMOS_URL}/api/v1/memories, json=data)
return resp.json()

使用示例

store_memory(用户部署了EverMemOS记忆系统, user)

3. 自动存储要点

python
def saveconversationsummary(messages):
从对话中提取关键点并存储
for msg in messages:
if is_important(msg): # 判断是否为关键信息
store_memory(
content=msg[content],
sender=msg[sender],
metadata={type: conversation_summary}
)

记忆检索

1. 获取历史记忆

bash

按用户ID获取

curl ${EVERMEMOSURL}/api/v1/memories?userid=user_001&limit=10

2. 语义搜索

bash
curl -X POST ${EVERMEMOS_URL}/api/v1/memories/retrieve \
-H Content-Type: application/json \
-d {
query: 关于部署的记忆,
userid: user001,
retrieve_method: {
method: semantic,
top_k: 5
}
}

3. 检索方法选择

方法	适用场景	示例
keyword	精确查找	查找部署相关记忆
vector

语义搜索 | 查找AI助手相关记忆 | | hybrid | 综合需求 | 结合关键词和语义 | | agentic | 复杂推理 | LLM 引导多轮检索 |

记忆类型

类型	用途	示例
EPISODIC_MEMORY	对话事件	用户学会了部署AI
PROFILE

用户画像 | 用户喜欢简洁界面 | | FORESIGHT | 未来计划 | 用户打算学习LangChain | | EVENT_LOG | 原子事实 | 用户部署了MongoDB |

常用命令

服务管理

bash

查看 API 状态

curl ${EVERMEMOS_URL}/health

查看已存储记忆数量 (服务器上)

docker exec memsys-mongodb mongosh -u -p --authenticationDatabase admin memsys --quiet --eval db.episodic_memories.countDocuments()

触发关键词

当用户说以下内容时，自动使用此技能：

• - 记住... / 存储记忆 / 保存这个
• 记得之前... / 之前说过...
• 查询记忆 / 搜索记忆
• 关于...的记忆
• 我之前让你做过什么
• 我的偏好是...

自动记忆触发

在以下时机自动存储记忆：

1. 1. 对话结束 - 提取关键要点
2. 用户自我介绍 - 存储用户信息
3. 任务完成 - 记录完成内容
4. 用户偏好表达 - 记住偏好设置

完整示例

python
import os
import requests
import time
from datetime import datetime

class EverMemOS:
def init(self, url=None, user_id=default):
self.baseurl = url or os.getenv(EVERMEMOSURL, http://localhost:1995)
self.userid = userid

def store(self, content, sender=user):
存储记忆
return requests.post(
f{self.base_url}/api/v1/memories,
json={
messageid: fmsg{int(time.time()*1000)},
content: content,
sender: sender,
userid: self.userid,
create_time: datetime.utcnow().isoformat() + Z,
scene: assistant
}
).json()

def recall(self, query, top_k=5):
检索记忆
return requests.post(
f{self.base_url}/api/v1/memories/retrieve,
json={
query: query,
userid: self.userid,
retrievemethod: {method: hybrid, topk: top_k}
}
).json()

def get_all(self, limit=20):
获取所有记忆
return requests.get(
f{self.base_url}/api/v1/memories,
params={userid: self.userid, limit: limit}
).json()

使用

memory = EverMemOS(userid=user001)

存储

memory.store(用户部署了EverMemOS)

检索

results = memory.recall(关于部署的记忆) for r in results.get(memories, []): print(r[content])

注意事项

1. 1. 首次配置 - 需要先部署 EverMemOS 服务器
2. 边界检测 - 系统自动检测对话边界触发记忆提取
3. LLM 依赖 - 完整功能需要可访问的 LLM API

故障排除

问题	解决方案
API 无法访问	检查服务器状态，确认端口
记忆未提取

检查 LLM API 是否可用 | | 查询返回空 | 确认 user_id 正确 |

---

作者: OpenClaw Community 版本: 1.0.0 最后更新: 2026-03-16