向AI转型的程序员都关注公众号 机器学习AI算法工程
如果你也在用 DeepSeek Harness、OpenClaw、Hermes 这类 Agent，大概率遇到过和我一样的问题。
一个项目跟了很久，前前后后聊了几十轮，它终于搞懂了你的习惯：代码要怎么写、报告用什么风格、客户在意哪些细节。结果你新开一个会话，上下文一清零，之前确认过的东西，又得一字不落地重新讲一遍。
问题就出在两个字：记忆。
最近我把 GitHub 上那个挺火的开源记忆项目 MemOS 接到了自己常用的几个国产 Agent 上，用下来确实顺手。
一、先搞懂：MemOS 是个啥
别被「记忆操作系统」这个名字吓到。你可以把它想成一本能查询、能涂改、还会自己整理的工作笔记。
以前你和 Agent 的关系，像每次都找一个失忆的临时工，事无巨细都要重新交代。接上 MemOS 之后，它手边多了这本笔记——该记住的东西都在里面，随用随翻。
它工作的逻辑其实特别简单，就两步：
| 回答之前 |
回答之后 |
一来一回，记忆就这么攒下了。而且这些记忆不是一团看不懂的向量，是能在后台一条条看到、也能手动改的——这点我很在意，至少知道它到底记住了我什么。
顺带说清和 RAG 的区别：RAG 像是在翻一堆参考资料，回答的是「资料里怎么写的」；MemOS 这本笔记记的是「关于你、关于这个项目，我们之前确认过什么」。两者不冲突，可以一起用。
二、准备两样东西：一个 Key，一个命令行工具
第 1 步：拿一个 MemOS 的 API Key
打开 MemOS 的后台（memos-dashboard.openmem.net），注册登录，找到 API Key 的创建入口，生成一个 Key，复制保存好。这个 Key 是以 mpg- 开头的一串字符。
这个 Key 只在你自己电脑的终端里输入，不要贴进和 Agent 的对话，也不要写进任何前端代码。
第 2 步：装 MemOS 的命令行工具
先确认电脑里装了 Node.js，然后打开终端，一行命令装好：
npm install -g @memtensor/memos-cloud-cli装完可以输 memos --version 验证一下，能看到版本号就说明成了。
三、给三个国产 Agent 接记忆
核心就是一条 memos init，区别只在 --agent 后面跟谁。下面一个一个来。
1. DeepSeek Harness（写代码最常用）
memos init --api-key 你的Key --agent deepseek这条命令会把记忆 Skill 装到 ~/.dsh/skills/memos-memory/ 下，同时还会帮你注册一个原生的生命周期插件——每次开口前自动召回记忆，这一轮正常结束后再把新内容写回去。
装完记得重启一下 DeepSeek Harness，让新插件生效。
2. OpenClaw
memos init --api-key 你的Key --agent openclawSkill 会装到 ~/.openclaw/skills/memos/。同样建议重启一次。
3. Hermes
memos init --api-key 你的Key --agent hermes对应位置是 ~/.hermes/skills/memos/。如果你的 Agent 支持 gateway restart，顺手重启一次最稳妥。
|
|
|
|
|---|---|---|
|
|
deepseek |
|
|
|
openclaw |
|
|
|
hermes |
|
验证一下：它真的记住了吗
别光看配置成功，用两轮对话实测最靠谱：
-
第一轮，告诉它一件具体的事，比如「我写代码默认用 Python，数据库偏好 PostgreSQL」。 -
重启、新开一个会话，再问它：「你还记得我喜欢用什么语言、什么数据库吗？」
它能答上来，说明「回答前查、回答后写」这两个动作都跑通了。
四、留点真正用得上的记忆
自动记录虽好，但我更建议在做完一件满意的活儿之后，主动让它把可复用的规则梳理出来，这样存下的东西才精炼，不会越攒越乱。
拿我自己举例。我经常要帮同一个客户做系列方案，风格、口径、重点其实都是同一套。做完第一版、来回磨合到我满意之后，我会直接对 Agent 说：
请你回顾这次做方案的全过程，把我们讨论中确认过的、以后能复用的规则梳理出来，比如：这个客户的背景和关注点是什么、这类方案的思路和排版逻辑、哪些地方必须给结论、我有哪些固定偏好。分层次列清楚，然后帮我存进 MemOS。
它会把这些一条条整理好存起来。你再去后台看，客户画像、做事套路、固定偏好，全都在里面了。
五、跨 Agent、跨项目，记忆接着用
这是我觉得最值的一点。同一套记忆，可以在几个 Agent 之间共享——前提是配置时用的是同一个 user-id。
比如你在 DeepSeek 里攒下的经验，只要给 OpenClaw 或 Hermes 也配上同一个用户标识，它们就能读到同一份笔记。换工具、换项目，都不用重新「训练」一遍。
我实测过：新开一个文件夹，换个 Agent 直接发需求，它在做计划的阶段就已经把我的老记忆翻了出来，大纲怎么走、用什么色系、哪些是重点，第一版的完成度就挺能打。这时候记忆和模板是配合关系——模板管具体版式，记忆延续之前确认的要求，新资料决定这次具体讲什么。
六、要求变了，让记忆跟着改
记住还不够，人的要求是会变的。比如原来做的是屏幕上看的方案，现在要拿到会议室投屏，字号就得放大、太满的页面得拆开。
两种方式更新。一是直接在终端用 memos feedback，把旧要求替换掉：
memos feedback "后续用于现场汇报的方案，正文至少 18pt，内容放不下就拆页；此前更小的正文字号不再适用" --format json二是什么都不用记命令，直接用大白话告诉 Agent「以后正文别小于 18pt，这条更新到记忆里」，它会帮你改。
一个容易忽略的点：记忆更新之后，已经做好的旧文件不会自己跟着变，需要你再让 Agent 基于新规则重新改一遍。
七、Token 是怎么省下来的
这个最实在。第一份方案，我前前后后聊了十几二十轮，改大纲、调版式、补结论，一点点磨出来。这些对话里其实藏着大量以后能复用的东西——客户关心什么、哪种讲法合适、做到什么程度才算合格。
接上记忆之后，这些被反复确认的要求会沉淀下来。做第二份时，你只要给新需求和新材料，它直接沿用老经验起步，返工和重复解释大幅减少，多轮对话烧掉的 Token 自然就下来了。
官方在 LoCoMo 长期对话记忆评测里给出的数字是：相比 Agent 原生记忆，Token 消耗减少超过 80%。这个数字是官方口径，大家参考着看，但「少返工确实省钱」这个体感是真的。能用最少的 Token 把事办好，才是好 Agent。
八、用扣子（Coze）这类国产平台怎么办
如果你用的不是命令行 Agent，而是扣子空间这类带可视化编排的国产平台，上面的 Skill 方式用不了，但可以走 MCP 这条路。思路是：先把 MemOS 服务自己部署起来，再在扣子里把它配成一个自定义 MCP 工具。
第一步，本地或服务器上把 MemOS 服务跑起来（需要 Docker，会连带起 Neo4j 图库和 Qdrant 向量库）：
git clone https://github.com/MemTensor/MemOS.git
cd MemOS
cp docker/.env.example .env # 填入 LLM 和 embedding 的 Key
cd docker
docker compose up # 服务地址 http://localhost:8000第二步，在扣子空间的工具配置页添加自定义 MCP，填你的服务地址（注意平台通常要求是 HTTPS 的公网地址）。配好后能看到三个工具：
|
|
|
|---|---|
add_memory |
|
search_memories |
|
chat |
|
第三步，把这几个工具加进 Agent 的工作流，先测连通，再分别验证写入和检索。走 MCP 的好处是协议通用，Cursor、Cline、Chatbox 这类客户端也能按同样的方式接。
九、几个上手时的小提醒
- Key 别贴进对话。
它只在本机终端输入，这也是官方反复强调的安全做法。 - 多个 Agent 想共享记忆，就用同一个 user-id。
各配各的，会变成几本互不相通的笔记。 - 接完先重启 Agent。
新装的 Skill 有时要重启才能被加载，没生效先别急着怀疑配置错了。 - 记忆要定期整理。
什么都自动存，笔记会越来越乱；定期让它梳理、合并、删掉过期的，检索才准。 - 模型可以照旧用国产的。
记忆是外挂的一层，底下接 DeepSeek、通义千问、Kimi、智谱 GLM 都不影响，各配各的 API Key 就行。
写在最后
回头看那些一点点沉淀下来的记忆，其实就是你一次次选择和修改之后，留下的做事方式。
以前想让一个工具复现你的习惯，得花好几天调一个精确的 Skill。现在简单多了——让它记住，然后在你改变想法时跟着改。当它能把这些积累带进下一次工作，我才会觉得，它是真的越来越懂我。
所谓「世界上的另一个我」，大概就是这样一点点长出来的。
资源汇总
· 项目地址：github.com/MemTensor/MemOS（Apache-2.0 开源）
· CLI 工具：@memtensor/memos-cloud-cli
· 后台与 Key：memos-dashboard.openmem.net
· 官方文档：docs.openmem.net（含 MCP、自托管、各 Agent 接入说明）
· 论文：MemOS: A Memory OS for AI System（arXiv:2507.03724）
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
【模型高效部署】tensorrtx 深度解读，yolov11高性能推理实战案例
实时语义分割ENet算法，提取书本/票据边缘
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
《大语言模型》PDF下载
动手学深度学习-（李沐）PyTorch版本
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《基于深度学习的自然语言处理》中/英PDF
Deep Learning 中文版初版-周志华团队
【全套视频课】最全的目标检测算法系列讲解，通俗易懂！
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
python就业班学习视频，从入门到实战项目
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
《深度学习之pytorch》pdf+附书源码
《Python数据分析与挖掘实战》PDF+完整源码
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
