> ## Documentation Index
> Fetch the complete documentation index at: https://docs.agentscope.io/llms.txt
> Use this file to discover all available pages before exploring further.
# 概览
> 了解 ReMe 如何将对话和资料转化为用户拥有的文件化 Agent 记忆。
ReMe 是面向 AI Agent 的 local-first 记忆层。它把对话和资料转化为文件化长期记忆，并持续完成索引、链接和整理，以便未来召回。用户可以直接检查和修正结果，也可以让同一份记忆在不同 Agent 与会话之间延续。
下图概括了 ReMe 如何通过文件实现共享、可迁移的长期记忆：
安装 ReMe，完成一次可验证的写入、检索和读取。
了解文件化记忆背后的原则与取舍。
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。
完整的理念与取舍见[核心概念](/reme/latest/zh/concepts)。
## 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。
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。下面的流程展示了记忆如何在这些层次之间流动：
```text theme={null}
对话 / 资料 ──> 原始来源 ──> 当日记录 ──> 长期记忆
│
Agent 当前任务 <──── 搜索、链接与来源展开 ─────┘
```
Workspace 中的顶层目录与流程一一对应：
| 层次 | 目录 | 作用 |
| ---- | ---------------------- | -------------------- |
| 原始来源 | `session/`、`resource/` | 保留原始对话和导入资料 |
| 当日记忆 | `daily/` | 保存带来源链接的摘要和浅加工记忆 |
| 长期记忆 | `digest/` | 保存可复用的个人事实、流程经验和知识 |
| 派生状态 | `metadata/` | 保存可重建的索引、图谱和 catalog |
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
直接嵌入 ReMe，或使用 AgentScope 的第一方 `ReMeMiddleware`。
接入 Claude Code、QwenPaw 等使用共享服务的 Agent。
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](https://aclanthology.org/2026.findings-acl.829/)，该论文已被 Findings of ACL 2026 接收。
## 更多入口
Workspace、配置和运行时自描述接口。
常见问题与故障排查。
开发环境、测试和贡献流程。