给 AI Agent 做记忆，多数方案最后都变成一堆向量——存进向量库，检索时算相似度。好用，但有个尴尬：你打不开看，也改不动。Agent 到底记住了你什么、记错了什么，全在一团数字里。

阿里 AgentScope 团队开源的 ReMe，换了个思路：记忆就是一堆你能直接读、直接改的 Markdown 文件。

🧠 ReMe 是一个面向 AI 智能体的记忆管理工具，可将对话和资料沉淀为可读、可编辑、可检索的文件化长期记忆。

名字 ReMe 是「Remember Me, Refine Me」——既要记住，也要不断打磨。它从团队早先的 MemoryScope 演进而来，Apache 2.0 协议，纯 Python，GitHub 上 3.1k 星，目前已迭代到 v0.4。

（图源：star-history.com）

四条核心理念

ReMe 的设计可以概括成四句话，都是 README 里的原话：

Memory as File：以带 frontmatter 和 wikilink 的 Markdown 作为记忆节点，让用户和 Agent 都能直接读写。

自进化知识库：通过 Auto Memory、Auto Resource 和 Auto Dream，把对话与资料逐步加工为长期 Markdown 记忆，并自动建立 wikilink 关系。

渐进式混合搜索：融合 wikilink、BM25 和 embedding，支持从关键词匹配到语义召回、关系扩展的混合检索。

Agent 友好集成：通过 SKILL.md + CLI 接入，方便不同 Agent 读写、维护与复用记忆。

整个系统是一个「采集 → 巩固 → 链接 → 检索 → 主动浮现」的循环：

（图源：项目仓库）

图分上下两层，最底下一整条 Memory as File 是地基：所有记忆都是文件，按加工程度分成四类——session/（原始对话）、resource/（原始资料）、daily/（当日工作记忆卡片）、digest/（沉淀下来的长期知识节点）。上面所有动作，读写的都是这一层文件。

上面三组方块，正好对应循环的几步：

• • 左边 Auto Memory + Auto Resource——采集：把对话（Auto Memory）和外部资料（Auto Resource）收进来，各自写成 daily/ 里的当日卡片。
• • 中间 Auto Dream + Proactive——巩固、链接、主动浮现：Auto Dream 把零散的当日卡片抽取、整合进 digest/ 长期记忆，顺手去重、补上 wikilink 关系（Auto Link）；Proactive 再把当天值得关注的主题浮出来。
• • 右边 Auto Index + Memory Search——检索：Auto Index 持续盯着文件变化、刷新索引，Memory Search 用 BM25 + 向量召回相关片段，再顺着 wikilink 扩展开。

一句话：底层是一堆会自己长大的 Markdown 文件，上层三组能力分别负责把记忆「写进来、理清楚、找出来」。

记忆即文件：像写双链笔记一样

第一条理念是地基。ReMe 的记忆节点就是 Markdown 文件——文件头带 frontmatter（结构化元信息），正文里用 wikilink（也就是双链笔记里那种 [[...]] 链接）把节点彼此连起来。

这么做最直接的好处是白盒：人和 Agent 看的是同一棵文件树。Agent 把记忆写成文件，你随时能打开 digest/personal/ 下的某个 .md，看它到底记住了你什么；觉得不对，直接改文件就行。记忆不再是一团没人看得懂的向量。

（图源：项目仓库。左边人读写文件，右边 Agent 把同一批文件解析成图/索引）

记忆按加工程度分层存放在一个工作目录里：

├── metadata/    # 索引、图谱、目录
├── session/     # 原始对话
├── resource/    # 外部资料
├── daily/       # 浅加工的当日记忆
└── digest/      # 长期记忆(personal/procedure/wiki)

从底层原始对话，到当日卡片，再到沉淀下来的长期记忆，每一层都是落地的文件，搬移、删改、审计都方便。

会「自演化」的记忆：让 Agent 自己「做梦」

光是把记忆存成文件还不够，ReMe 的另一半是让这些文件自己生长。它有一组自动能力：

• • auto_index：持续维护 chunk、BM25、embedding、wikilink 这几套索引，保证检索是新的。
• • auto_memory：把对话转成当日记忆卡片，落到 daily/。
• • auto_resource：把外部资料加工成当日卡片。
• • auto_dream：这一步是点睛。

auto_dream 的官方说明是：

扫描指定日期的 daily 输入，抽取长期记忆单元并整合进 digest/，同时写入 daily/。

换句话说，它会定期把零散的「当日记忆」翻出来，提炼、去重、建立链接，沉淀成可复用的长期知识——这跟人睡觉时把白天的经历归档巩固是一个意思，项目干脆就叫它「做梦」。

做完梦还有一步 proactive：

读取 auto_dream 生成的 interests.yaml，将当天值得关注的主题暴露给上层 Agent；是否提醒用户由调用方决定。

这一步值得多说一句，因为它补的是普通记忆系统的一个短板。

平时的记忆检索都是被动的：你或 Agent 想到要查，才发一个请求，记忆库搜出相关内容返回。问题是 Agent 并不知道自己不知道什么——当前这句话没触发它去搜，那条记忆就一直躺在文件里没人理。比如你昨天让它跟进一件事，今天开个新对话，它不会自己想起来，因为没有任何东西触发它去搜「昨天那件没做完的事」。

proactive 把方向反了过来：它不等你问。auto_dream 已经把「值得关注的主题」挑进了 interests.yaml，proactive 就负责把这份清单端到 Agent 面前，让它在你还没开口时，就知道有哪些事可能值得提一下。

打个比方：被动检索像你问图书管理员「那本书在哪」，他帮你找；主动浮现则像管理员主动跟你说「你借的书快到期了」「你关注的作者出新书了」。一个像样的助理，不会只在你提问时才有用。它换来的，是跨会话的连续性（接上没收尾的线头）和待办、兴趣的主动提醒。

（图源：项目仓库）

这张图把「做梦」这件事拆成了五步，从左到右走一遍就明白它在干嘛：

1. 1. Extract（抽取）：扫一遍当天有改动的 daily/ 文件，刷新索引、比对目录找出变化，再让大模型从中抽出可复用的记忆单元和主题。
2. 2. Integrate（整合）：把抽出来的单元拿去和已有的 digest/ 比对（先召回再判断），去重、补上 wikilink 关系，然后写回 digest/——能更新就更新，没有就新建。
3. 3. Topics（选主题）：归并当天的主题，对照最近 7 天去掉重复的，把真正值得关注的写进 interests.yaml。
4. 4. Finish（收尾）：记录 checkpoint（跳过失败项）、持久化文件目录，返回这次做梦处理了多少、有没有出错的汇总。
5. 5. Proactive（主动浮现）：读上一步生成的 interests.yaml，把主题连同元信息返回给上层 Agent。

注意图最下面标的边界：这一整套的输入是当天的 daily/ 文件，产出落到 digest/（personal / procedure / wiki 三类长期记忆）和 interests.yaml；而且 Proactive 这步是「只读、只返回」，要不要真的提醒用户，由调用方自己决定——ReMe 负责把该关注的挑出来，但不替你做打扰用户的决定。

检索：从关键词到关系扩展

记忆存得好，还得找得到。ReMe 用的是渐进式混合检索：先用 wikilink 顺着关系找、用 BM25 做关键词匹配，再用 embedding 做语义召回，三者融合。好处是既能精确命中关键词，又能语义联想，还能顺着双链把相关的记忆一并捞出来。

它适合谁

说到底，ReMe 适合这么几类需求：

• • 给自建 Agent、编码助理、办公助理加一层跨会话的长期记忆，不想每次重新交代背景和偏好。
• • 想要记忆是能打开看、能手动改、能审计的文件，而不是一团黑盒向量。
• • 数据敏感、希望全本地跑，不把对话和资料发上云。
• • 喜欢知识自动沉淀：对话和资料丢进去，它自己整理成带双链的 Markdown 库，还会主动提醒。

反过来，如果只是偶尔问答、用不上长期记忆，或者不想多维护一个常驻服务，那它对你可能就偏重了。

怎么用

它是装成一个服务来跑的。安装和启动很简洁：

pip install "reme-ai[core]"
reme start
curl http://127.0.0.1:2333/version -H 'Content-Type: application/json' -d '{}'

模型这边，默认走阿里云百炼（DashScope）的兼容接口，embedding 和 LLM 各配一个 key 即可——对国内用户算友好，不用绕路：

EMBEDDING_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

接到 Agent 上，靠的是 SKILL.md + CLI：给 Agent 一个记忆技能、放开命令行权限，让它在合适的时机去调 auto_memory、proactive 这些能力。

能本地跑吗？要多大配置？

能。ReMe 对 LLM 和 embedding 都走 OpenAI 兼容接口，默认指向阿里百炼，但把 base_url 换成本地服务地址，就能全本地跑——Ollama、LM Studio、vLLM、llama.cpp server 都行：

# 以本地 Ollama 为例(它暴露 /v1 兼容接口)
LLM_BASE_URL=http://localhost:11434/v1
LLM_API_KEY=ollama            # 本地随便填
EMBEDDING_BASE_URL=http://localhost:11434/v1
EMBEDDING_API_KEY=ollama

要点是：ReMe 自己不内置模型，只负责「调」模型。所以本地化等于你在本机起两个服务——一个 LLM、一个 embedding——再让 ReMe 指过去。

配置上分两部分看，因为 ReMe 本体几乎不吃资源，真正吃配置的是它调的模型：

所以：

• • 用云 API（百炼或任何 OpenAI 兼容接口）→ ReMe 端零压力，任何电脑 + 网络即可，成本就是 token 费。
• • 纯本地 → 主要看你想跑多大的 LLM。16GB 内存／显存跑 7B 量化是够用的起点，32GB 能上 14B；那个 embedding 小模型可以忽略不计。

一个提醒：auto_dream 的抽取、总结、整合很吃模型能力，本地模型太小，整理质量会明显打折。仓库本身没给硬件要求（它把模型当外部服务、不替你定），想省心、质量稳就用云，想数据不出门就接本地。

几条限制

• • 版本还早。目前才到 v0.4，且是从 MemoryScope 一路演进过来的，迭代快，但还在打磨期。
• • 默认绑定阿里百炼。换其它模型要自己改 base_url 到 OpenAI 兼容接口；向量检索也离不开一个 embedding 模型服务。
• • 接入有前提。它走 SKILL.md + CLI 这套，得 Agent 这边配合；官方规划里要接 QwenPaw 2.0、出 Claude Code 插件，但目前接别的 Agent 需要自己动手。
• • 它是个服务，不是纯库。reme start 起的是一个常驻 server，部署上要多考虑一层。

写在最后

把 Agent 的记忆做成「能读、能改、还会自己整理」的 Markdown，是 ReMe 最让人记得住的地方——记忆不再是黑盒向量，而是一座人和 Agent 共用、还会自我巩固的文件库。