agentscope-ai/ReMe · 上手攻略

  • 仓库：agentscope-ai/ReMe
  • 链接：https://github.com/agentscope-ai/ReMe
  • 分类：ai
  • 作者：spark
  • 更新：2026-08-19

是什么

ReMe（"Remember Me, Refine Me"）是阿里 AgentScope 团队开源的 AI Agent 记忆管理工具包：把会话、资源、产物沉淀为可读、可编辑、可搜索、可互链的 Markdown 知识库，并随 Agent 使用自演化。

核心口号是 "Memory as File, File as Memory"——一切记忆都是普通 Markdown 文件（带 frontmatter 和 wikilink），既能被 Agent 读写，也能被用户直接打开编辑、版本控制、备份。

⚠️ 本仓库的"ReMe"在 PyPI 上打包为 reme-ai（不是 reme），命名空间分离是为了不与历史同名包冲突。

解决什么问题

LLM/Agent 长期落地的三大痛点：

  1. 会话上下文截断：窗口满了就忘记，重要决策、踩坑经验、用户偏好只能每次重新提供。
  2. 记忆黑盒：传统 vector DB 把记忆存在不可读的 embedding 里，用户无法审查、修改、导出。
  3. 记忆与"知识"分裂：短期记忆（消息流）和长期知识（projects、decision records）分散在不同系统，关联不上。

ReMe 给出 local-first + file-as-truth 的方案：

  • 文件就是记忆，记忆就是文件——可用 git 同步，可用任意编辑器修改。
  • 自演化三件套：
  • auto_memory：从对话中提炼"日卡"（每日摘要 + 关键事件）
  • auto_resource：把外部资源（链接、文件、剪藏）结构化进 Vault
  • `auto_dream**：周期性"做梦"，把多条日卡合并成长期知识，并生成 wikilink 关系
  • auto_link：把关系和来源回写进文件
  • 混合检索：wikilink 关系图 + BM25 关键词 + 可选 embedding 三轨并行，在不爆上下文的前提下做扩展查询。

快速安装

依赖：Python 3.11+；启用 Studio 静态面板需要 Node.js 22.13+。

装 PyPI 包（推荐）

pip install "reme-ai[core]"

源码安装（含 Studio）

git clone https://github.com/agentscope-ai/ReMe.git
cd ReMe
pip install -e packages/reme_ai_studio -e ".[core]"
cd website
npm ci
npm run build:static
cd ..

最小环境变量

复制下面到 .env：

# 必需：用于 auto_memory / auto_resource / auto_dream
LLM_API_KEY=sk-xxx
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

# 可选：仅在启用 embedding 检索时需要
# EMBEDDING_API_KEY=sk-xxx
# EMBEDDING_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

默认不启用 embedding，基础文件操作、BM25、wikilink 都是 zero-LLM 成本。

启动服务

reme start                       # 默认监听 127.0.0.1:2333
reme start service.port=8181     # 改端口
reme version
reme health_check
curl -s http://127.0.0.1:2333/version -H 'Content-Type: application/json' -d '{}'

启动后浏览器打开 http://127.0.0.1:2333/ 即可访问 Studio。

核心用法

写一条记忆节点

reme write \
  path=digest/wiki/quick-start-demo \
  name="Quick Start Demo" \
  description="A first ReMe memory node" \
  content="# Quick Start Demo

ReMe stores agent memory as readable Markdown.

Related: [[digest/wiki/memory-as-file.md]]"

实际生成的文件就是普通 Markdown + frontmatter：

---
name: Quick Start Demo
description: A first ReMe memory node
---

# Quick Start Demo

ReMe stores agent memory as readable Markdown.

Related: [[digest/wiki/memory-as-file.md]]

检索

reme search query="agent memory markdown" limit=5
reme read path=digest/wiki/quick-start-demo start_line=1 end_line=20

与 Agent 集成

ReMe 内置 SKILL.md + CLI 集成，可以被以下 Agent 直接调用：

  • QwenPaw（阿里 AgentScope 自家）
  • OpenClaw（开源 Agent runtime）
  • Hermes（Nous Research）
  • Claude Code（Anthropic）

也支持 HTTP / MCP / Python SDK。

启用 embedding 检索

编辑 reme/config/default.yaml：

components:
  as_embedding: enable
  embedding_store: default
  file_store:
    default:
      embedding_store: default

详见 docs/en/memory_search.md。

典型适用场景

  • 个人 AI 助手：给 QwenPaw / OpenClaw / Hermes 等 Agent 装上一层"用户可编辑的长期记忆"。
  • Coding Agent 经验沉淀：让 Claude Code 把每次成功/失败的经验、仓库约定、踩坑过程固化为 wikilink 网络，下次会话直接复用。
  • LLM Wiki / 知识库：把聊天、笔记、URL、Citation 转化为可追溯、可互链的 Markdown wiki。
  • 自演化 Agent：把"工具调用成功路径/失败模式/可复用步骤"作为记忆写入，下次自动挑选。

坑与注意

  1. Python 版本硬门槛 3.11+：低于 3.11 装不上，错误信息也不一定直白。
  2. Node 22.13+ 是 Studio 静态构建硬门槛：装 Studio 前先 node -v 一下，否则 npm ci 在 website/ 阶段就会失败。
  3. LLM 调用不是免费的：默认 auto_memory / auto_resource / auto_dream 都会调用 LLM；预算控制靠 LLM_BASE_URL 切到便宜的端点（如 DashScope 兼容模式），不要直接走 OpenAI。
  4. embedding 默认关闭：很多人不知道，需要手动改 yaml；否则以为能搜不出来。
  5. wikilink 是相对路径：跨目录引用错位会导致 Studio 中出现"broken link"——保持 digest/wiki/<slug>.md 这类扁平的命名约定。
  6. MemoryScope 是历史分支：仓库 memoryscope_branch 是上一代实现，新项目请用 main。

与同类对比

项目 设计哲学 记忆后端 适用
ReMe file-as-memory、local-first、自演化 Markdown + wikilink + 可选 embedding 跨 Agent 共享、可审可编辑
mem0 API 优先 Vector DB 纯云端、嵌入式
LangGraph Memory 框架内置 多种 store 仅 LangChain 生态
Letta Agent-as-OS 自研 DB 自带 Agent 运行时
Zettelkasten-tools 知识管理 Markdown 纯人工笔记

→ 如果重视"记忆可读、可改、可与人类知识库融合"：选 ReMe；如果只想要 API：选 mem0；如果已经在 LangChain 生态：先用 LangGraph Memory。

一句话推荐结论

ReMe 是当前少数把 LLM 记忆"做回 Markdown"的方案——对追求 透明、可审计、可与 Obsidian/Logseq 互通 的开发者/研究者非常合适；尤其推荐给跑多 Agent 协作、需要长期项目沉淀的团队。