Memory OS：为Hermes Agent打造6层开源记忆栈，本地持久化存储
Memory OS是一个MIT许可的开源项目，在Hermes Agent基础上构建了6层记忆架构，包括结构化事实、向量数据库和自动知识维基。它完全本地运行，支持多种LLM提供商，通过门控检索和去重机制实现token高效。本文解析其架构、检索流程及对中文开发者的意义。
一句话看懂
Memory OS是一个6层开源记忆栈，为Hermes Agent添加本地持久化记忆，通过结构化事实、向量搜索和自动维基实现跨会话高效召回。
详细发生了什么
Hermes Agent本身已具备跨会话记忆能力，包括工作区文件和全文搜索。但社区认为内置记忆对于严肃工作仍显浅薄。开发者ClaudioDrews发布了Memory OS，一个MIT许可的开源库，在Hermes之上堆叠了6层记忆架构。
这6层从底层到顶层依次是：
- Workspace：注入系统提示的MEMORY.md、USER.md、CREATIVE.md文件。
- Sessions：基于SQLite和FTS5全文搜索的会话数据库。
- Structured Facts：带信任评分和反馈循环的持久化事实存储。
- Fabric：基于Icarus Plugin的修改版，提供16个工具用于跨会话召回。
- Vector Database：基于Qdrant，使用4096维余弦向量和BM25稀疏搜索。
- LLM Wiki：自动策划的概念、实体和比较知识库，持续回灌到Qdrant。
检索流程在pre_llm_call阶段执行“外科手术式召回”，同时从Fabric、Qdrant、Sessions和Facts四个来源拉取信息，每个来源都有相关性阈值门控，并执行去重和过滤。在post_llm_call和on_session_end阶段，系统自动提取新知识。
Memory OS定位为本地优先方案，与mem0、Zep、Letta等云记忆服务形成对比。它需要Docker、Qdrant、Redis和Python 3.11+环境，但LLM调用仍可自由选择OpenRouter、OpenAI、Anthropic或Ollama等提供商。
中文圈视角
对于中文开发者，Memory OS的开源和本地优先特性意味着数据隐私可控，尤其适合有数据驻留要求的团队。国内类似项目如ModelScope上的Agent框架通常记忆功能较弱，Memory OS的6层架构提供了更系统的参考。
不过，部署门槛较高：需要Docker、Qdrant、Redis等组件，对国内用户可能增加学习成本。此外，Hermes Agent本身在国内知名度不高，中文社区更熟悉LangChain、AutoGPT等。Memory OS的Fabric层基于Icarus Plugin且不兼容上游，长期维护需关注。
一个潜在盲点：中文场景下，记忆系统对中文语义的理解能力至关重要。Memory OS的向量模型和BM25搜索对中文支持如何？目前未见相关评测。若想用于中文写作或编程辅助，可能需要额外配置中文embedding模型。
几条值得记住的细节
- 6层记忆架构：Workspace、Sessions、Structured Facts、Fabric、Vector DB、LLM Wiki。
- 检索使用四源门控召回，并带有会话内去重和社交过滤。
- 向量数据库使用Qdrant，支持4096维余弦向量和BM25稀疏搜索。
- 每周运行衰减扫描，语义相似度超过0.92的记忆会被合并。
- 完全本地运行，无云记忆订阅费用，但LLM调用仍需第三方API。
一句话总结
Memory OS为Hermes Agent提供了可落地的分层记忆方案，本地优先的设计适合注重数据隐私的开发者，但部署复杂度和中文支持仍需验证。