遇見 Memory OS：基於 Hermes Agent 的六層開源記憶棧

Hermes Agent 已經具備跨會話記憶能力。Nous Research 的開源智能體附帶策劃的記憶文件和全文會話搜索。但一個新的社區項目認為內置記憶對嚴肅工作來説過於淺薄。一個名為“Memory OS”的新庫已由開發者 ClaudioDrews 以 MIT 許可證發佈。它在 Hermes 之上堆疊了六層記憶，增加了向量數據庫、結構化事實和自動策劃的知識百科。該項目雖新但潛力巨大，其架構展示了代理記憶如何分層構建。

Memory OS 並非一個可以隨意開關的 Hermes 插件。它是一個與 Hermes Agent 自身記憶並行的分層系統。Hermes 已經提供工作區文件和會話數據庫。Memory OS 保留了這些，並在此基礎上增加了四層。完整棧使用 Docker、Qdrant、Redis 和 Python 3.11+ 本地運行。它適用於 Hermes 支持的任何 LLM 提供商，包括 OpenRouter、OpenAI、Anthropic 和 Ollama。README 將其描述為“記憶操作系統”，而非單一功能。

六層結構從文件到向量：第一層工作區包含 MEMORY.md、USER.md 和 CREATIVE.md，每輪注入系統提示。第二層會話使用 state.db（帶 FTS5 全文搜索的 SQLite 數據庫）記錄對話歷史。第三層結構化事實將持久事實存儲在 memory_store.db 中，使用 SQLite、HRR、FTS5 和信任評分，並通過反饋循環隨時間調整信任評分。第四層 Fabric 是 Icarus 插件的重度分支，添加了基於 LLM 的會話提取，提供 16 個工具用於跨會話召回。第五層向量數據庫基於 Qdrant，使用 4096 維餘弦向量加 BM25 稀疏搜索。第六層 LLM 百科是一個自動策劃的概念、實體和比較庫，通過持續攝入過程回注到 Qdrant。

檢索流程：在 pre_llm_call 階段，Memory OS 執行所謂的外科召回，同時從 Fabric、Qdrant、會話和事實四個源拉取信息。每個源通過相關性門控後才到達模型。每會話去重防止相同上下文重複出現。社交過濾器忽略瑣碎消息。在 post_llm_call 和 on_session_end 階段，系統自動提取和捕獲新知識。其目標是 token 效率，而非填滿上下文窗口。

降級級聯與清理：第 5 層的檢索使用四級降級：先嚐試混合搜索，然後是稠密向量、詞彙搜索，最後是 SQLite。若某一方法失敗，下一方法接管。Memory OS 還運行每週衰減掃描以淘汰陳舊條目，語義去重合並餘弦相似度超過 0.92 的近似記憶。這些維護步驟旨在防止記憶在長期使用中膨脹。

Memory OS 定位與雲記憶服務（如 mem0、Zep、Letta）對立，主張記憶基礎設施應運行在本地機器上。記憶數據保持本地，無需記憶訂閲。LLM 調用仍可連接任意提供商。Hermes 本身已支持八種外部記憶提供商，但 Memory OS 並非其中之一，而是社區構建的獨立堆棧。對於有數據駐留規則團隊，本地記憶存儲很重要。

優勢：清晰的分層設計分離文件、會話、事實、向量和百科；全本地基礎設施無需雲記憶訂閲；提供商無關，匹配 Hermes Agent 的靈活性；通過門控源和每會話去重實現 token 高效檢索。侷限性：全新，提交次數少；Fabric 分支與上游不兼容；設置較重，需要 Docker、Qdrant、Redis 和 ARQ Worker；無已發佈的召回質量、延遲或 token 節省基準。

關鍵要點：Memory OS 是一個社區構建的 MIT 許可堆棧，在 Hermes Agent 上增加六層記憶。它結合工作區文件、FTS5 會話搜索、信任評分事實、Fabric 分支、Qdrant 向量和自動策劃的 LLM 百科。檢索在 pre_llm_call 階段進行門控去重召回，捕獲在 post_llm_call 和 on_session_end 階段進行。記憶基礎設施全本地且提供商無關，但 LLM 調用仍需連接所選提供商。