AI三分钟第5弹｜基于OpenMemory自建本地AI长期记忆

老邋遢

870人浏览 · 2026-03-17 21:09:48

老邋遢 · 2026-03-17 21:09:48 发布

AI三分钟第5弹｜基于OpenMemory自建本地AI长期记忆

引用

OpenMemory Github

Chatgpt

windsurf documentation mcp

为什么要自建本地化AI长期记忆

经常使用AI IDE（例如cursor、windsurf、codex、claude…）的老铁

一定会遇到以下若干问题：

明明已经解决过的问题AI没有“记住”，反复犯同样的问题
写了一大堆Rules，但是感觉AI并没有学会灵活使用
或者从来没了解过什么是AI工具的Memory，一直都是将AI工具当做对话窗口
切换了同一个AI IDE的账户、或者是切换了不同IDE后，AI直接忘记所有之前的经验，很多问题都需要从头调研

这是因为针对cursor这一类AI Coding工具来讲，出于商业化和用户隐私的考虑，断然不能将用户的memory进行导入导出的操作

并且对于cursor这样的工具，如果你不开放你的隐私设置，cursor压根也不会为你的每次对话生成“记忆”

这就导致 几乎每次对话cursor都会丢失我们宝贵的“经验”

这也是为什么我们觉得AI“很傻”

或者是反复踩同一个坑的原因

但是如果打开隐私设置，这就意味着cursor等工具就拥有了我们的隐私

这个放在笔者本人和一些商业化开发的公司团队来说

是不可接受的

所以本地化的长期记忆，对于任何一个持续使用AI工具接管和迭代代码的项目就显得格外重要

好处如下：

不会因为换账号、换IDE而丢失我们宝贵的“经验”
数据在本地或者是公司部署的固定数据库里存储，数据安全
这些宝贵的经验未来都是宝贵的“数字资产”，无论是沉淀成为团队或个人的wiki，或者是新开项目，都可以成为未来的“记忆中台”
不反复踩同样的坑，意味着更少的时间、更少的token消耗，我们就能完成更多的任务，降本增效
随着项目的不断迭代，对话的次数不断增多，我们的长期记忆会越来越完善，产出质量越来越稳定，产出速度越来越高，返工的代码越来越少，这就是为什么最近特别火的 openclaw 能不断成长的的原因，因为养龙虾的本质就是在养龙虾的“长期记忆”，不断沉淀经验最后成为本地化的得力助手

甚至可以说 未来Agent发展方向一定是拥有大量的群体和个人经验，能高度为特定团体、个人、工作内容服务的

至于通用模型并不能做到成为“万金油”

（仅个人观点，勿喷）

什么是OpenMemory

先来一段定义（引用自ChatGPT的回答）

OpenMemory 是一个开源的 长时记忆引擎/记忆层基础设施，旨在为大型语言模型（LLM）和智能体（AI Agents）提供 持久化、本地化、可解释的记忆能力。它可以作为 AI 系统的 “记忆中枢”，帮助 AI 在多次交互或任务之间保留上下文信息，而不是每次都从头开始。

OpenMemory 的主要功能包括：

长期记忆存储与检索
支持将 AI 交互中的事实、偏好、上下文等持久化保存，并按需要检索出来，而不是每次从头开始。

自托管 & 本地运行
项目支持 100% 本地运行（Docker 生态），数据不经过云端，用户完全控制隐私和存储。

跨系统记忆共享 / MCP 兼容
支持模型上下文协议（MCP），可以与多个兼容客户端（如不同 AI 助手或工具）共享记忆数据库。

解释能力（Explainable Memory）
OpenMemory 不只是盲目存储向量，还有结构化 / 类型化的记忆组织方式，便于调用和解释。

向量检索支持 + 多种存储后端
支持与向量存储（如 SQLite/pgvector）、嵌入模型、检索索引等结合，为回忆提供更高效的语义召回。

OpenMemory是怎么工作的？

[Cursor / Windsurf]
        ↓
   (MCP / API)
        ↓
  OpenMemory Server（本地）
        ↓
  SQLite / Vector DB（本地存储）

为什么要使用OpenMemory？

而不是其他的竞品？

我们结合现在实现AI“长期记忆”的主流方案和开源项目做一个对比：

指标/维度	OpenMemory	Mem0	向量DB + RAG（如 FAISS/LlamaIndex）	专有云记忆服务（SaaS MCP）
部署方式	本地 / 自托管 / 可选云	自托管 + 云托管（商业）	自托管	云端托管
开源性	✅ 开源（Apache‑2.0）(GitHub)	❌ 核心商用，部分开源	多为开源组件	❌ 闭源
隐私与数据控制	✅ 全部数据可控、可加密	⚠️ 本地版可控，云版不完全可控	⚠️ 依赖自建或云端部署策略	❌ 数据存储在服务端
持久化长期记忆	☑️ 原生支持（跨会话、跨工具）	☑️ 也支持，但主打商业生态	❌ 通常用于临时语义检索	❌ 一般短期上下文
跨工具/跨协议（MCP兼容）	✅ 原生支持 MCP	⚠️ 支持，需要付费集成	❌ 需自定义桥接	⚠️ 取决于服务商
可解释性/结构化记忆	☑️ 支持层级/类型化 / 可追踪原因	⚠️ 视商业方案	❌ 通常是向量匹配	❌ 视服务设计
成本模式	💸 一次性 + 运行成本	💸 订阅制 + 使用费	💸 资源成本	💸 使用付费
扩展性（定制能力）	✅ 高	⚠️ 高（但受许可限制）	✅ 中等	❌ 受限
部署难度	⚙️ 中等（需要自托管）	⚙️ 中等 / 低	⚙️ 低（简单向量检索）	⚙️ 极低（免维护）
适合场景	企业级、隐私敏感、跨工具记忆	商用/企业+生态业务	文档检索/短期记忆场景	快速集成轻量应用

综上可见，从开源、免费、学习成本、部署难度、安全和本地化等综合考量下

OpenMemory是我们本地构建AI“长期记忆”的不二之选

接下来就跟着老邋遢来一步步部署OpenMemory吧～

OpenMemory保姆级安装教程

任何教程不交代环境就是耍流氓

本次教程的环境一览：

系统环境：macos 26.3.1

Python 3.14.2

nvm 0.40.3

node -> v20.19.3

Docker version 29.1.5, build 0e6fee6c52

上述环境没有的自行AI，安装起来也很简单，Windows下安装步骤基本一致

1. 克隆仓库

git clone https://github.com/CaviraOSS/OpenMemory.git
cd OpenMemory

2. 拷贝我编辑好的模板

编辑项目根目录下的.env配置文件（如果看不到按快捷键 command+shift+.(macos)，Windows在资源管理器 - 查看中显示隐藏项目）

然后拷贝我编辑好的配置文件并全量覆盖保存

# ============================================
# OpenMemory - Environment Configuration
# ============================================

# --------------------------------------------
# Backend Server Settings
# --------------------------------------------
OM_PORT=9090

# API Authentication (IMPORTANT: Set a strong API key for production!)
# Generate a secure key: openssl rand -base64 32
# Leave empty to disable authentication (development only)
OM_API_KEY=

# Rate Limiting
# Enable rate limiting to prevent abuse
OM_RATE_LIMIT_ENABLED=true
# Time window in milliseconds (default: 60000 = 1 minute)
OM_RATE_LIMIT_WINDOW_MS=60000
# Maximum requests per window (default: 100 requests per minute)
OM_RATE_LIMIT_MAX_REQUESTS=100

# Optional: Log all authenticated requests (set to 'true' for debugging)
OM_LOG_AUTH=false

# Telemetry (true by default, set to false to opt out of anonymous ping)
OM_TELEMETRY=true

# Server Mode
OM_MODE=standard # standard | langgraph

# --------------------------------------------
# Metadata Store
# --------------------------------------------
# sqlite (default) | postgres
OM_METADATA_BACKEND=sqlite
OM_DB_PATH=/data/openmemory.sqlite

# PostgreSQL Settings (used when OM_METADATA_BACKEND=postgres)
OM_PG_HOST=localhost
OM_PG_PORT=5432
OM_PG_DB=openmemory
OM_PG_USER=postgres
OM_PG_PASSWORD=postgres
OM_PG_SCHEMA=public
OM_PG_TABLE=openmemory_memories
OM_PG_SSL=disable # disable | require

# --------------------------------------------
# Vector Store Backend
# --------------------------------------------
# Vector storage follows OM_METADATA_BACKEND (sqlite/postgres) unless set to 'valkey'
# Options: valkey (Redis-compatible), or leave unset to follow OM_METADATA_BACKEND
# Note: When using postgres metadata backend, vectors are stored in the same database
OM_VECTOR_BACKEND=sqlite
# Table name for vectors (configurable, will be created if it doesn't exist)
OM_VECTOR_TABLE=vectors
OM_WEAVIATE_URL=
OM_WEAVIATE_API_KEY=
OM_WEAVIATE_CLASS=OpenMemory

# --------------------------------------------
# Embeddings Configuration
# --------------------------------------------
# Available providers: openai, gemini, aws, ollama, local, synthetic
# Embedding models per sector can be configured in models.yaml
#
# NOTE: Your selected TIER (fast/smart/deep) affects how embeddings work:
# • FAST tier: Uses synthetic embeddings regardless of OM_EMBEDDINGS setting
# • SMART tier: Combines synthetic + compressed semantic from your chosen provider
# • DEEP tier: Uses full embeddings from your chosen provider
#
# For SMART/DEEP tiers, set your preferred provider:
OM_EMBEDDINGS=ollama

# Fallback chain: comma-separated list of providers to try if primary fails
# Each provider exhausts its own retry logic before moving to the next
# Example: OM_EMBEDDING_FALLBACK=ollama,synthetic
# Default: synthetic (always works as final fallback)
OM_EMBEDDING_FALLBACK=synthetic

# Vector dimension (auto-adjusted by tier, but can be overridden)
# • FAST: 256-dim  • SMART: 384-dim  • DEEP: 1536-dim
# OM_VEC_DIM=1536

# Embedding Mode
# simple   = 1 unified batch call for all sectors (faster, rate-limit safe, recommended)
# advanced = 5 separate calls, one per sector (higher precision, more API calls)
OM_EMBED_MODE=simple

# Advanced Mode Options (only used when OM_EMBED_MODE=advanced)
# Enable parallel embedding (not recommended for Gemini due to rate limits)
OM_ADV_EMBED_PARALLEL=false
# Delay between embeddings in milliseconds
OM_EMBED_DELAY_MS=200

# OpenAI-compatible Embeddings Provider
# OM_OPENAI_BASE_URL=https://api.openai.com/v1
# Model override for all sector embeddings (leave empty to use defaults)
# OM_OPENAI_MODEL=text-embedding-qwen3-embedding-4b

# API Configuration
# Max request body size in bytes (default: 1MB)
OM_MAX_PAYLOAD_SIZE=1000000

# --------------------------------------------
# Embedding Provider API Keys
# --------------------------------------------
# OpenAI Embeddings
OPENAI_API_KEY=your-openai-api-key-here

# Google Gemini Embeddings
GEMINI_API_KEY=your-gemini-api-key-here

# AWS Titan Text Embeddings V2
AWS_ACCESS_KEY_ID=YOUR_ACCESS_KEY
AWS_SECRET_ACCESS_KEY=YOUR_SECRET_KEY
AWS_REGION=us-east-1

# Ollama Local Embeddings
OLLAMA_URL=http://localhost:11434

# Local Model Path (for custom embedding models)
LOCAL_MODEL_PATH=/path/to/your/local/model

# --------------------------------------------
# Memory System Settings
# --------------------------------------------

# ============================================
# PERFORMANCE TIER (Manual Configuration Required)
# ============================================
# OpenMemory requires you to manually set the performance tier.
# Set OM_TIER to one of: hybrid, fast, smart, or deep
#
# Available Tiers:
#
# HYBRID - Keyword + Synthetic embeddings (256-dim) with BM25 ranking
#         • Recall: ~100% (exact keyword matching)  • QPS: 800-1000  • RAM: 0.5GB/10k memories
#         • Best for: Exact searches, documentation, code search, personal knowledge
#         • Features: Exact phrase matching, BM25 scoring, n-gram matching, 100% accuracy
#         • Use when: You need guaranteed exact matches and keyword-based retrieval
#
# FAST  - Synthetic embeddings only (256-dim)
#         • Recall: ~70-75%  • QPS: 700-850  • RAM: 0.6GB/10k memories
#         • Best for: Local apps, VS Code extensions, low-end hardware
#         • Use when: < 4 CPU cores or < 8GB RAM
#
# SMART - Hybrid embeddings (256-dim synthetic + 128-dim compressed semantic = 384-dim)
#         • Recall: ~85%  • QPS: 500-600  • RAM: 0.9GB/10k memories
#         • Best for: Production servers, AI copilots, mid-range hardware
#         • Use when: 4-7 CPU cores and 8-15GB RAM
#
# DEEP  - Full AI embeddings (1536-dim OpenAI/Gemini)
#         • Recall: ~95-100%  • QPS: 350-400  • RAM: 1.6GB/10k memories
#         • Best for: Cloud deployments, high-accuracy systems, semantic research
#         • Use when: 8+ CPU cores and 16+ GB RAM
#
# REQUIRED: Set your tier (no auto-detection):
OM_TIER=deep

# Keyword Matching Settings (HYBRID tier only)
# Boost multiplier for keyword matches (default: 2.5)
OM_KEYWORD_BOOST=2.5
# Minimum keyword length for matching (default: 3)
OM_KEYWORD_MIN_LENGTH=3

OM_MIN_SCORE=0.3

# ============================================
# Smart Decay Settings (Time-Based Algorithm)
# ============================================
# Decay interval in minutes - how often the decay cycle runs
# The new algorithm uses time-based decay with daily lambda rates (hot=0.005/day, warm=0.02/day, cold=0.05/day)
# Unlike batch-based systems, running more frequently doesn't increase decay speed
# Decay is calculated from: decay_factor = exp(-lambda * days_since_access / (salience + 0.1))
#
# Recommended intervals:
# • Testing: 30 minutes (for rapid validation)
# • Development: 60-120 minutes (balanced testing)
# • Production: 120-180 minutes (optimal - captures meaningful decay deltas while minimizing overhead)
#
# At 2-3 hours: hot tier decays ~0.04-0.06%, warm ~0.16-0.24%, cold ~0.4-0.6% per cycle
OM_DECAY_INTERVAL_MINUTES=120

# Number of parallel decay worker threads (default: 3)
OM_DECAY_THREADS=3
# Cold tier threshold - memories below this salience get fingerprinted (default: 0.25)
OM_DECAY_COLD_THRESHOLD=0.25
# Reinforce memory salience when queried (default: true)
OM_DECAY_REINFORCE_ON_QUERY=true
# Enable regeneration of cold memories on query hits (default: true)
OM_REGENERATION_ENABLED=true
# Maximum vector dimensions (default: 1536)
OM_MAX_VECTOR_DIM=1536
# Minimum vector dimensions for compression (default: 64)
OM_MIN_VECTOR_DIM=64
# Number of summary compression layers 1-3 (default: 3)
OM_SUMMARY_LAYERS=3

# Full Semantic Graph MVP Settings
# Use summary-only storage (≤300 chars, intelligent extraction)
OM_USE_SUMMARY_ONLY=true
# Maximum summary length - smart extraction preserves dates, names, numbers, actions
OM_SUMMARY_MAX_LENGTH=300
# Memories per segment (10k recommended for optimal cache performance)
OM_SEG_SIZE=10000

# Cache segments (auto-tuned by tier, but can be overridden)
# • FAST: 2 segments  • SMART: 3 segments  • DEEP: 5 segments
# OM_CACHE_SEGMENTS=3

# Max active queries (auto-tuned by tier, but can be overridden)
# • FAST: 32 queries  • SMART: 64 queries  • DEEP: 128 queries
# OM_MAX_ACTIVE=64

# Brain Sector Configuration (auto-classified, but you can override)
# Sectors: episodic, semantic, procedural, emotional, reflective

# Auto-Reflection System
# Automatically creates reflective memories by clustering similar memories
OM_AUTO_REFLECT=false
# Reflection interval in minutes (default: 10)
OM_REFLECT_INTERVAL=10
# Minimum memories required before reflection runs (default: 20)
OM_REFLECT_MIN_MEMORIES=20

# Compression
# Enable automatic content compression for large memories
OM_COMPRESSION_ENABLED=false
# Minimum content length (characters) to trigger compression (default: 100)
OM_COMPRESSION_MIN_LENGTH=100
# Compression algorithm: semantic, syntactic, aggressive, auto (default: auto)
OM_COMPRESSION_ALGORITHM=auto

# --------------------------------------------
# LangGraph Integration Mode (LGM)
# --------------------------------------------
OM_LG_NAMESPACE=default
OM_LG_MAX_CONTEXT=50
OM_LG_REFLECTIVE=true

3. 使用docker compose启动OpenMemory

docker compose up --build -d

4. 启动后验证健康状态

curl -sS http://localhost:9090/health

5. 配置mcp server（windsurf为例，cursor同理）

进入windsurf settings

搜索mcp并进入mcp市场

点击齿轮进入自定义mcp config编辑

粘贴下面的配置并保存（注意层级关系，如果你有别的mcp注意别覆盖了）

{
  "mcpServers": {
    "openmemory": {
      "type": "http",
      "url": "http://localhost:9090/mcp"
    }
  }
}

保存后重启windsurf或cursor等IDE，以应用该mcp

OpenMemory验证

你只需要让其记住某个知识或者经验，然后再新开一个对话问它即可

看下图所示

进阶使用

完成上述工作我们就算是完成了 OpenMemory的基本安装工作

下面我们需要进阶使用

即保证AI能在日常对话中自动将我们的：

1. 成功经验存入记忆

2. 更新过时的老旧的记忆

3. 加强经常使用的记忆

在我们实际的工程中形成长期记忆，帮助我们未来不反复踩坑

需要该方法的小伙伴

点个关注并私信

AI长期记忆

老邋遢看到后会第一时间回复你们哒～

进阶使用演示

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

AtomGit 首发：PhyAI 具身智能推理引擎开源入驻

AtomGit开源社区

告别网页点点点，一行命令管理开源项目——AtomGit CLI 带你飞

AtomGit开源社区

CANN 开发者 Meetup 南京站圆满落幕：轻量开发专场，硬核技术面对面

AtomGit开源社区

所有评论(0)

查看更多评论

老邋遢

@itkfdektxa

已为社区贡献3条内容

AI三分钟第5弹｜基于OpenMemory自建本地AI长期记忆

老邋遢

AI三分钟第5弹｜基于OpenMemory自建本地AI长期记忆

目录

文章目录

引用

为什么要自建本地化AI长期记忆

什么是OpenMemory

OpenMemory保姆级安装教程

1. 克隆仓库

2. 拷贝我编辑好的模板

3. 使用docker compose启动OpenMemory

4. 启动后验证健康状态

5. 配置mcp server（windsurf为例，cursor同理）

OpenMemory验证

进阶使用

所有评论(0)

温馨提示：您尚未绑定手机号

老邋遢