Skip to main content
ReMe 是面向 AI Agent 的 local-first 自进化个人知识库。它把对话和资料持续沉淀为可读、可编辑、可检索、相互链接的 Markdown 记忆，并始终把文件控制权留给用户。同一份 workspace 可以在 QwenPaw、OpenClaw、Hermes、Claude Code 和 Codex 等 Agent 之间复用。 下图概括了 ReMe 如何通过文件实现共享、可迁移的长期记忆： ReMe 设计理念

5 分钟上手

安装 ReMe，完成一次可验证的写入、检索和读取。

理解核心理念

了解文件化记忆背后的原则与取舍。

选择接入方式

在 Python、Agent 专用方案和通用接口中选择合适的方式。

​
核心理念

  • Memory as File, File as Memory：记忆首先是用户拥有的文件，而不是数据库里的隐藏状态；用户可以直接查看、编辑、移动和备份。
  • Memory from Experience：长期记忆来自经验的提炼、修正与合并，不是无限堆积上下文。
  • Human-Agent Shared Memory：人和 Agent 读写同一份 Markdown，知识始终可见、可控、可迁移。
  • Connected and Traceable：Auto Link 将关系和来源写回文件，让长期结论能够沿链接追溯到证据。
完整的理念与取舍见核心概念。

​
ReMe 解决什么问题

Agent 的上下文通常随会话结束而消失。即使接入向量数据库，用户也很难知道系统记住了什么、依据是什么，以及如何修正或迁移这些记忆。 ReMe 在本地 workspace 中形成完整的记忆闭环，同时保留可追溯的原始数据：
  • 捕获：原始对话和资料保留为可追溯的来源。
  • 整理：有价值的事实、偏好、流程和知识逐步演化为 Markdown 记忆。
  • 检索：默认使用 BM25 和有界 wikilink 扩展；按需启用 embedding 语义召回与 RRF 排序融合。
  • 接入：Python、AgentScope、MCP、CLI、HTTP、ReMe Studio、plugin 和 Skill 面向同一种文件化记忆模型；每个 workspace 只保留一个运行时所有者。
ReMe 由此把记忆从 Agent 的内部状态，变成用户和 Agent 共同维护的知识资产。

​
适合哪些场景

  • 个人助理：跨会话保留偏好、背景、计划和重要经历。
  • Coding Agent：延续项目决策、代码约定、排障经验和工作流。
  • 个人知识库：将对话、笔记与资料整理成相互链接的 Markdown。
  • 经验驱动的 Agent：把成功路径、失败教训和可复用流程沉淀下来。
如果需要严格事务、复杂权限或超大规模在线检索，ReMe 可能需要与其他系统配合。它是记忆层，而不是完整的 Agent 产品，也不会在用户不可见时进行无边界采集。

​
文件化记忆系统

ReMe 将原始证据、中间整理结果、长期记忆和派生系统状态分开保存。下图展示了人和 Agent 如何操作同一组文件，以及可重建索引如何支持记忆检索。 ReMe Memory as File 模型：共享文件、记忆整理与派生索引 Workspace 中的顶层目录与流程一一对应： Auto Memory 将对话转化为按主题命名的 daily 卡片，Auto Resource 解读直接放在 resource/ 根目录或日期子目录中的资料，Auto Dream 再把变化的 daily 卡片整合为长期知识。默认情况下，Auto Dream 检查最近两天窗口，最多提取五个可复用 unit，再创建、佐证、细化或修正 digest 节点。默认实时 watcher 只索引 daily/ 和 digest/ 下的 Markdown；完整 reme reindex 还会扫描 resource/ 和 JSONL。搜索先返回带路径和行号的命中片段，再附加数量受限的入链与出链元数据，让 Agent 只在需要时继续展开。
proactive 只读取 Auto Dream 生成的 topics。它不会自行浏览网页、发送通知或改写记忆；是否以及如何行动由宿主 Agent 决定。

​
能否离线使用

文件读写、关键词检索、wikilink 遍历和 proactive topics 读取不需要 LLM。对话提炼、资料理解和长期整合需要配置兼容的 LLM；语义检索需要 embedding 服务。可以先使用本地文件能力，再按需启用模型。

​
选择接入方式

Python SDK

直接嵌入 ReMe，或使用 AgentScope 的第一方 ReMeMiddleware。

Agent 集成

接入 Claude Code、Hermes、OpenClaw、Codex 等 Agent。

接入

通过 MCP、Skill、CLI 或 HTTP 连接 ReMe。

​
已发布基准测试结果

仓库中的参考运行结果包括：LongMemEval cleaned-s 的 500 个问题得分 89.4%，BEAM 100K 配置得分 66.1%，BEAM 1M 配置得分 65.0%，以及 π-Bench 五类用户画像上的 PROC 得分 0.580。模型、prompt、数据集和评测方式详见 ReMe benchmark 目录；只有在评测设置一致时，结果才适合直接比较。

​
研究

ReMe 的经验驱动记忆方向详见论文 Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution，该论文已被 Findings of ACL 2026 接收。

​
更多入口

参考

Workspace、配置和运行时自描述接口。

FAQ

常见问题与故障排查。

贡献

开发环境、测试和贡献流程。