Memos

ヒント

新機能：MemOS を DeepSeek Harness（dsh）に接続

MemOS エコシステム全体で使用されている同じ MemOS コアを活用して、DeepSeek Harness に自動想起、バックグラウンドでの記録、ハイブリッド検索、ローカルの Memory Viewer を追加できます。

はじめる →

---

👾 MemOS：LLM と AI エージェントのためのメモリオペレーティングシステム

MemOS は、LLM と AI エージェント向けのメモリオペレーティングシステムです。長期メモリの 保存／検索／管理 を統合し、ナレッジベース、マルチモーダル、ツールメモリ、エンタープライズ向けの最適化を組み込み、コンテキストを認識したパーソナライズされたやり取りを実現します。

主な機能

• 統合メモリ API：メモリの追加、検索、編集、削除を行う単一の API です。メモリはグラフとして構造化され、ブラックボックスの埋め込みストアではなく、設計上、内容を確認・編集できます。
• マルチモーダルメモリ：テキスト、画像、ツールのトレース、ペルソナをネイティブにサポートし、単一のメモリシステム内でまとめて検索・推論できます。
• 複数キューブのナレッジベース管理：複数のナレッジベースを組み合わせ可能なメモリキューブとして管理し、ユーザー、プロジェクト、エージェント間での分離、制御された共有、動的な構成を可能にします。
• MemScheduler による非同期取り込み：メモリ操作を非同期で実行し、高い同時実行性のもとで本番環境の安定性を保ちながら、ミリ秒単位の遅延を実現します。
• メモリへのフィードバックと修正：自然言語のフィードバックによってメモリを調整し、既存のメモリを時間とともに修正、補足、置換できます。

ニュース

• 2026-08-17 · 🐋 MemOS が DeepSeek Harness と連携 MemOS は、ローカルプラグインとクラウドプラグインの両方を通じて、DeepSeek Harness に永続的なメモリを提供するようになりました。DSH はコアを変更せずに、タスクの開始前に関連するコンテキストを自動的に呼び出し、ターンの成功後に新たな経験を保存できます。

• 2026-07-02 · 🏆 MemOS がエージェントとユーザーメモリのベンチマークで進歩 MemOS を使用すると、OpenClaw の5つのエージェントタスクにおける平均タスク完了率が 36.63% から 50.87% に向上します。また、MemOS は LoCoMo で 88.83、LongMemEval で 89.20 を達成し、10種類のデータセットを用いて14の商用メモリ製品を統一的に評価する OmniMemEval でも首位に立っています。

• 2026-05-09 · 🧠 memos-local-plugin 2.0 Hermes Agent と OpenClaw 向けの公式ローカルメモリプラグインです。1つのコアが、L1 トレース、L2 ポリシー、L3 ワールドモデル、結晶化されたスキルにわたる自己進化型メモリを支え、ローカル優先のストレージとフィードバックに基づく検索を実現します。

• 2026-04-10 · 👧🏻 MemOS Hermes Agent ローカルプラグイン Hermes Agent 向けの公式メモリプラグインがリリースされました。ハイブリッド検索（FTS5 + ベクトル）、スマートな重複排除、階層型スキル進化、マルチエージェント連携に対応しています。完全ローカルで、クラウドへの依存はありません。

• 2026-03-08 · 🦞 MemOS OpenClaw プラグイン — クラウド＆ローカル OpenClaw 向けの公式メモリプラグインがリリースされました。クラウドプラグイン：トークン使用量を72%削減し、マルチエージェント間でメモリを共有できるホスト型メモリサービスです（MemOS-Cloud-OpenClaw-Plugin）。ローカルプラグイン（v1.0.0）：永続的な SQLite、ハイブリッド検索（FTS5 + ベクトル）、タスクの要約とスキルの進化、マルチエージェント連携、充実したメモリビューアーダッシュボードを備えた、完全なオンデバイスメモリです。

📊 パフォーマンス

MemOS は複数のベンチマークで優れた結果を示しています。ユーザーメモリの5タスクとエージェントメモリの5タスクにおいて、主要な商用メモリ製品と比較して評価されています。

ベンチマーク	スコア
LoCoMo	88.83
LongMemEval	89.20
PersonaMem v2	40.58
HaluMem	80.91
BEAM-10M	56.75
GDPVal	62.07
LiveCodeBench	64.96
OmniMath	61.00
SWE-Bench	38.46
BrowseComp-Plus	23.85

OmniMemEval による評価 — https://github.com/MemTensor/OmniMemEval。

🎯 MemOS の用途

MemOS は AI エージェントに長期記憶を提供します。一般的な用途は次のとおりです。

• 一貫性があり、豊富なコンテキストを含む会話を行う AI アシスタント
• 過去のチケットやユーザー履歴を呼び出せるカスタマーサポート
• 個人の好みに適応するパーソナライズされたエージェント
• メモリを共有または分離して連携するマルチエージェント

🚀 クイックスタート

MemOS には4つの利用方法があります。用途に合ったものを選んでください。

	クラウド API	セルフホスト	MemOS クラウドプラグイン	ローカルプラグイン
最適な用途	アプリ、フルマネージド	自社インフラを使うチーム	OpenClaw ユーザー、運用不要	DeepSeek Harness、Hermes、または OpenClaw、オンデバイス
セットアップ	API キーを取得	docker compose up	openclaw plugins install	npm install + エージェント固有のセットアップ
必要なインフラ	なし（ホスト型）	Neo4j + Qdrant	なし（MemOS Cloud を使用）	なし（ローカル SQLite）
データの保存先	MemOS Cloud	自社サーバー	MemOS Cloud	自分のマシン

☁️ Cloud API を使う（ホステッド）

インフラを運用せず、完全マネージドサービスを通じてアプリにメモリを追加したい場合におすすめです。

1. API キーを取得する：

• MemOS ダッシュボードでサインアップします。
• API Keys に移動してキーをコピーします（mpg- で始まります）。キーはサーバー側で保管してください。

2. メモリを追加して検索する：

import requests

API_KEY = "mpg-..."                  # keep this server-side
base = "https://memos.memtensor.cn/api/openmem/v1"
headers = {"Authorization": f"Token {API_KEY}", "Content-Type": "application/json"}

# 1. Add a memory
requests.post(f"{base}/add/message", headers=headers, json={
    "user_id": "alice",
    "conversation_id": "conv_001",
    "messages": [{"role": "user", "content": "I like strawberry"}],
})

# 2. Search memories
res = requests.post(f"{base}/search/memory", headers=headers, json={
    "query": "What do I like?",
    "user_id": "alice",
})
print(res.json())

次のステップ：

• MemOS Cloud のはじめ方 — MemOS Cloud に接続し、数分でメモリを有効にします。
• MemOS Cloud プラットフォーム — Cloud ダッシュボード、機能、ワークフローをご覧ください。

🖥️ MemOS サービスをセルフホストする

MemOS を REST サービスとして、ご自身のマシンやクラスターで実行したい場合におすすめです。

オプション A — Docker（推奨）：

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
cp docker/.env.example .env          # fill in your API keys in .env
cd docker
docker compose up                    # starts MemOS API + Neo4j + Qdrant

API は http://localhost:8000 で提供されます。

オプション B — uvicorn で実行する（Docker を使わない場合）：

git clone https://github.com/MemTensor/MemOS.git
cd MemOS
cp docker/.env.example .env          # fill in your API keys in .env
# Ensure Neo4j and Qdrant are running, then:
cd src
uvicorn memos.api.server_api:app --host 0.0.0.0 --port 8000 --workers 1

すべての設定オプション（LLM プロバイダー、埋め込みモデル、ベクトル DB、グラフ DB、スケジューラー）については、docker/.env.example-full をご覧ください。デプロイの詳細ガイドは https://memos-docs.openmem.net/open_source/getting_started/rest_api_server/ にあります。

API を試す：

import requests, json

headers = {"Content-Type": "application/json"}
base = "http://localhost:8000/product"

# 1. Create a memory cube
requests.post(f"{base}/create_cube", headers=headers, data=json.dumps({
    "cube_name": "Alice's memory",
    "owner_id": "alice",
    "cube_id": "alice_cube",
}))

# 2. Add a memory
requests.post(f"{base}/add", headers=headers, data=json.dumps({
    "user_id": "alice",
    "writable_cube_ids": ["alice_cube"],
    "messages": [{"role": "user", "content": "I like strawberry"}],
    "async_mode": "sync",
}))

# 3. Search memories
res = requests.post(f"{base}/search", headers=headers, data=json.dumps({
    "query": "What do I like?",
    "user_id": "alice",
    "readable_cube_ids": ["alice_cube"],
}))
print(res.json())

🧠 MemOS プラグイン：AI エージェントの永続メモリ ✨

MemOS は、OpenClaw、Hermes、DeepSeek Harness に共有のローカルメモリコアを提供します。マネージド版のMemOS Cloud Pluginは、OpenClaw と DeepSeek Harness で利用できます 🏃🏻

🔌 プラグイン	💡 主な機能	🧩 リソース
🧠 memos-local-plugin 2.0		🌐 ウェブサイト · 📖 ドキュメント · 🐙 GitHub · 📦 NPM
☁️ MemOS Cloud Plugin		🖥️ MemOS ダッシュボード · 📖 完全チュートリアル

1. MemOS Cloud Plugin

MemOS Cloud を使って、OpenClaw または DeepSeek Harness に永続メモリを追加できます。インフラの運用は不要です。

• リポジトリ： MemTensor/MemOS · apps/MemOS-Cloud-OpenClaw-Plugin
• NPM： [@memtensor/memos-cloud-openclaw-plugin](https://www.npmjs.com/package/@memtensor/memos-cloud-openclaw-plugin)
• ダッシュボード： https://memos-dashboard.openmem.net/
• チュートリアル： https://memos-docs.openmem.net/openclaw/guide

インストール：

openclaw plugins install @memtensor/memos-cloud-openclaw-plugin@latest
openclaw gateway restart

このプラグインは、エージェントの実行前に MemOS Cloud からメモリを呼び出し、実行終了後に新しいメッセージを保存します。

DeepSeek Harness

ネイティブプラグイン機構を通じて、DeepSeek Harness を MemOS Cloud に接続します。ユーザーリクエストごとに最初のモデルステップを実行する前に、プラグインが関連するクラウドメモリを呼び出します。ターンが正常に完了した後は、新しいユーザーとアシスタントのメッセージを MemOS Cloud に保存します。

1. MemOS API キーを作成します。

2. クラウドプラグインをデフォルトの DSH web プロファイルにインストールします。

   npx @deepseek-ai/dsh plugin --profile web add @memtensor/memos-cloud-dsh-plugin@latest
   

3. API キーを ~/.dsh/.credentials.yaml に追加します。

   MEMOS_API_KEY: mpg-your-key
   

4. 最小限のプラグイン設定を ~/.dsh/settings.yaml に追加します。

   memos-cloud:
     apiKeyEnv: MEMOS_API_KEY
   

5. DSH Web プロファイルを再起動します。

   npx @deepseek-ai/dsh web
   

クラウドプラグインはフェイルオープン方式です。一時的に MemOS Cloud が停止しても、現在の DSH タスクは中断されません。

2. ローカルプラグイン（OpenClaw、Hermes、DeepSeek Harness）

DeepSeek Harness、Hermes Agent、または OpenClaw を使用していて、100％デバイス内でメモリを管理したい場合に適しています。データがデバイスの外部に送信されることはありません。

• リポジトリ： MemTensor/MemOS · apps/memos-local-plugin
• NPM： [@memtensor/memos-local-plugin](https://www.npmjs.com/package/@memtensor/memos-local-plugin)
• ドキュメント： https://memos-docs.openmem.net/cn/openclaw/local_plugin
• DeepSeek Harness： 連携の詳細
• ビューアーダッシュボード： apps/memos-local-plugin/viewer/ を参照してください。

DeepSeek Harness へのインストール（macOS / Linux）：

curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh | bash -s -- --agent dsh --profile web

OpenClaw または Hermes へのインストール（macOS / Linux）：

curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh | bash

インストール（Windows PowerShell）：

irm https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.ps1 -OutFile "$env:TEMP\memos-install.ps1"; powershell -ExecutionPolicy Bypass -File "$env:TEMP\memos-install.ps1"

Node.js と、インストール済みの DeepSeek Harness、OpenClaw、または Hermes が必要です。インストーラーは選択したエージェントのランタイムに MemOS をデプロイします。DeepSeek Harness を選択した場合は、DSH の外部バンドルとしてインストールされます。一方、OpenClaw と Hermes を選択した場合は、それぞれのエージェントホームに初期の config.yaml が書き込まれます。

機能：ハイブリッド検索（FTS5 + ベクトル）、スマートな重複排除、階層型スキル進化（L1 トレース / L2 ポリシー / L3 ワールドモデル）、マルチエージェント連携、ローカル優先の SQLite ストレージ。

🤝 コミュニティ

• GitHub Issues： https://github.com/MemTensor/MemOS/issues
• GitHub Discussions： https://github.com/MemTensor/MemOS/discussions
• Discord： https://discord.gg/Txbx3gebZR
• WeChat： QR コードをスキャンしてグループに参加してください。

📚 引用

研究で MemOS を使用する場合は、以下のように引用してください。

@article{li2025memos_long,
  title={MemOS: A Memory OS for AI System},
  author={Li, Zhiyu and Song, Shichao and Xi, Chenyang and Wang, Hanyu and Tang, Chen and Niu, Simin and Chen, Ding and Yang, Jiawei and Li, Chunyu and Yu, Qingchen and Zhao, Jihao and Wang, Yezhaohui and Liu, Peng and Lin, Zehao and Wang, Pengyuan and Huo, Jiahao and Chen, Tianyi and Chen, Kai and Li, Kehang and Tao, Zhen and Ren, Junpeng and Lai, Huayi and Wu, Hao and Tang, Bo and Wang, Zhenren and Fan, Zhaoxin and Zhang, Ningyu and Zhang, Linfeng and Yan, Junchi and Yang, Mingchuan and Xu, Tong and Xu, Wei and Chen, Huajun and Wang, Haofeng and Yang, Hongkang and Zhang, Wentao and Xu, Zhi-Qin John and Chen, Siheng and Xiong, Feiyu},
  journal={arXiv preprint arXiv:2507.03724},
  year={2025},
  url={https://arxiv.org/abs/2507.03724}
}

@article{li2025memos_short,
  title={MemOS: An Operating System for Memory-Augmented Generation (MAG) in Large Language Models},
  author={Li, Zhiyu and Song, Shichao and Wang, Hanyu and Niu, Simin and Chen, Ding and Yang, Jiawei and Xi, Chenyang and Lai, Huayi and Zhao, Jihao and Wang, Yezhaohui and others},
  journal={arXiv preprint arXiv:2505.22101},
  year={2025},
  url={https://arxiv.org/abs/2505.22101}
}

⚖️ ライセンス

MemOS は Apache 2.0 License のライセンスに基づいています。