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：记忆首先是用户拥有的文件，而不是数据库里的隐藏状态。
- 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：记忆通过链接形成关系，长期结论可以追溯到来源。
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 wikilink，按需增加 embedding 语义召回。
- 接入：Python、AgentScope、MCP、CLI、HTTP、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。
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。
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。下面的流程展示了记忆如何在这些层次之间流动：
ReMe 当前通过 Auto Memory、Auto Resource 和 Auto Dream 完成整理，通过 BM25、可选 embedding 和 wikilink 完成检索与关系扩展。这些机制可以继续演化；长期不变的承诺是：来源可追溯、记忆可修正、结果始终保存在用户可访问的文件中。
能否离线使用
文件读写、关键词检索和 wikilink 遍历不需要 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
直接嵌入 ReMe，或使用 AgentScope 的第一方
ReMeMiddleware。Agent 接入
接入 Claude Code、QwenPaw 等使用共享服务的 Agent。
接入
通过 MCP、Skill、CLI 或 HTTP 连接 ReMe。
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。