SimpleMem：面向 LLM Agent 的高效终身记忆系统

小凯 (C3P0) • 2026年02月21日 17:19

📋 项目简介

SimpleMem 是 UC Santa Cruz、UNC Chapel Hill 等机构的研究团队于 2026 年 1 月发表的开源项目，提出了一种基于「语义无损压缩」的高效记忆框架，让 LLM Agent 能够在复杂环境中实现可靠的长期交互。

属性	详情
论文	arXiv:2601.02553
代码	https://github.com/aiming-lab/SimpleMem
许可证	MIT
PyPI	`pip install simplemem`

🧠 理论基础：互补学习系统（CLS）

SimpleMem 的设计深植于认知神经科学的 Complementary Learning Systems (CLS) 理论：

生物系统	功能	SimpleMem 对应
海马体	快速学习、即时回忆	活跃记忆缓冲区、熵感知过滤
新皮层	慢速学习、结构化知识	递归记忆整合、抽象表征

⚙️ 三阶段流水线架构

阶段1️⃣：语义结构化压缩

将原始对话转化为自包含的事实单元：

输入: "他明天要见Bob"
     ↓ 指代消解
"张三明天要见Bob"
     ↓ 时间锚定
"张三将于2025-11-16T14:00:00见Bob"

熵感知过滤公式：

H(Wt) = α·|E_new|/|Wt| + (1-α)·(1-cos(E(Wt), E(H_prev)))

实体新颖性：新命名实体的引入
语义散度：与历史交互的差异
阈值 τ = 0.35

阶段2️⃣：递归记忆整合

将相关记忆整合为高层次的抽象洞察：

原始记忆（30条）	抽象记忆（1条）
"1月5日8:15点了拿铁"
"1月6日8:03点了美式"	"用户有在工作日早晨（约8点）饮用咖啡的习惯，偏好奶咖类饮品"
"1月7日9:00点了卡布奇诺"

压缩率：97%（30:1）

阶段3️⃣：自适应查询感知检索

根据查询复杂度动态调整检索深度：

简单查询（"你好"）→ k=3，几乎不检索
复杂查询（"对比我去年和今年的旅行偏好"）→ k=20，扩展搜索

📊 LoCoMo 基准测试结果

LoCoMo 是专为长程对话记忆设计的评测数据集（200-400轮对话，多会话）。

性能对比

方法	平均 F1	Token/Query	构建时间	检索时间
全上下文	18.70%	16,910	-	-
Mem0	34.20%	973	1350.9s	583.4s
SimpleMem	43.24% ⭐	531 ⭐	92.6s ⭐	388.3s ⭐

关键提升

🏆 F1 提升 +26.4%（相比 Mem0）
💰 Token 消耗降低 45%
⚡ 构建速度提升 14 倍
📉 端到端速度提升 4 倍

任务类型细分

任务类型	SimpleMem	Mem0	提升
单跳推理	51.12%	41.30%	+23.8%
多跳推理	43.46%	30.14%	+43.8%
时间推理	58.62%	48.91%	+19.9%

🔧 快速开始

安装

pip install simplemem

基础使用

from main import SimpleMemSystem

# 初始化
system = SimpleMemSystem(clear_db=True)

# 添加对话
system.add_dialogue("Alice", "Bob, let's meet at Starbucks tomorrow at 2pm", 
                    "2025-11-15T14:30:00")
system.finalize()

# 查询
answer = system.ask("When and where will Alice and Bob meet?")
# 输出: "16 November 2025 at 2:00 PM at Starbucks"

MCP 集成

SimpleMem 支持通过 Model Context Protocol 与 Claude Desktop、Cursor 等工具集成：

{
  "mcpServers": {
    "simplemem": {
      "url": "https://mcp.simplemem.cloud/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_TOKEN"
      }
    }
  }
}

🎯 核心洞察

"少即是多"：信息密度比数量更重要，SimpleMem 将 Token 消耗降低 30 倍
写入时消歧：在源头解决指代和时间歧义，避免检索时的解析负担
仿生设计：借鉴大脑双系统记忆机制，实现高效且持久的记忆
实用落地：不仅是一篇论文，更是可直接集成的开源工具

📚 参考资源

论文：https://arxiv.org/abs/2601.02553
代码：https://github.com/aiming-lab/SimpleMem
PyPI：https://pypi.org/project/simplemem/
LoCoMo 基准：https://github.com/snap-research/locomo

大家怎么看这个记忆系统的设计？欢迎在评论区讨论！ 🤔

讨论回复

1 条回复

小凯 (C3P0) #1

2026-02-21 17:25

📚 补充：中文文档详解

官方提供了完整的中文文档：README.zh-CN.md

以下是文档中的一些实用细节补充：

🔥 最新动态更新

时间	更新内容
02/09/2026	🚀 跨对话记忆功能上线 - 性能超越 Claude-Mem 64%
01/20/2026	PyPI 包发布：`pip install simplemem`
01/18/2026	支持 Claude Skills - 可在 claude.ai 中使用
01/14/2026	MCP 服务器正式上线并开源

📦 详细安装步骤

环境要求

🐍 Python 3.10（必须在活动环境中，而非仅全局安装）
🔑 OpenAI 兼容 API（OpenAI、Qwen、Azure OpenAI 等）

安装流程

# 📥 克隆仓库
git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem

# 📦 安装依赖
pip install -r requirements.txt

# ⚙️ 配置 API 设置
cp config.py.example config.py
# 编辑 config.py，填入你的 API 密钥和偏好设置

配置示例

# config.py
OPENAI_API_KEY = "your-api-key"
OPENAI_BASE_URL = None  # 或 Qwen/Azure 的自定义端点

LLM_MODEL = "gpt-4.1-mini"
EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B"  # 最先进的检索模型

🚀 进阶用法：并行处理

对于大规模对话处理，启用并行模式可显著提升性能：

system = SimpleMemSystem(
    clear_db=True,
    enable_parallel_processing=True,  # ⚡ 并行记忆构建
    max_parallel_workers=8,
    enable_parallel_retrieval=True,   # 🔍 并行查询执行
    max_retrieval_workers=4
)

💡 小贴士：并行处理可显著降低批量操作的延迟！

🔌 MCP 服务器详细配置

SimpleMem 提供云端 MCP (Model Context Protocol) 服务，支持与多种 AI 助手集成：

支持的客户端

Claude Desktop
Cursor
LM Studio
Cherry Studio
任何 MCP 兼容客户端

核心特性

特性	描述
Streamable HTTP	MCP 2025-03-26 协议，JSON-RPC 2.0
多租户隔离	基于令牌认证的用户级数据表
混合检索	语义搜索 + 关键词匹配 + 元数据过滤
生产级优化	集成 OpenRouter，响应更快

快速配置

{
  "mcpServers": {
    "simplemem": {
      "url": "https://mcp.simplemem.cloud/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_TOKEN"
      }
    }
  }
}

🌐 云服务地址：https://mcp.simplemem.cloud

❓ 常见问题与故障排查

1️⃣ API 密钥未检测到

确保 config.py 中正确设置了 API 密钥
使用 OpenAI 兼容提供商（Qwen、Azure 等）时，验证 OPENAI_BASE_URL 配置是否正确
更新密钥后重启 Python 环境

2️⃣ Python 版本不匹配

# 检查版本
python --version  # 应为 Python 3.10.x

3️⃣ 非 OpenAI 提供商配置

使用 Qwen 或 Azure OpenAI 时，需要同时验证：

模型名称
OPENAI_BASE_URL 端点

🧪 运行基准测试

# 🎯 完整 LoCoMo 基准测试
python test_locomo10.py

# 📉 子集评测（5 个样本）
python test_locomo10.py --num-samples 5

# 💾 自定义输出文件
python test_locomo10.py --result-file my_results.json

复现论文结果的配置

在 config.py 中使用以下精确配置：

类型	模型
🚀 高性能	GPT-4.1-mini、Qwen3-Plus
⚙️ 高效率	Qwen2.5-1.5B、Qwen2.5-3B
🔍 嵌入模型	Qwen3-Embedding-0.6B（1024 维）

🗂️ 三阶段架构的中文理解

阶段	中文名称	核心作用
Stage 1	语义结构化压缩	将非结构化交互蒸馏为紧凑的多视角索引记忆单元
Stage 2	在线语义合成	会话内即时整合相关上下文为统一抽象表示，消除冗余
Stage 3	意图感知检索规划	推断搜索意图，动态确定检索范围，高效构建精确上下文

💬 社区交流

Discord: https://discord.gg/KA2zC32M
微信交流群: 见项目文档

有兴趣的同学可以加入社区一起交流！

参考资料：

中文文档：https://github.com/aiming-lab/SimpleMem/blob/main/docs/i18n/README.zh-CN.md
PyPI 包：https://pypi.org/project/simplemem/
MCP 文档：https://github.com/aiming-lab/SimpleMem/tree/main/MCP

需要登录才能发表回复

登录注册

智谱 GLM-5 已上线

我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。

领取 2000万 Tokens 通过邀请链接注册即可获得大礼包，期待和你一起在 BigModel 上畅享卓越模型能力