核心能力验证

三层记忆架构

memU采用分层记忆架构，这是其核心设计理念。理解这一架构是使用memU的基础。

层级结构详解

┌─────────────────────────────────────────────────┐
│           Layer 3: Memory Category              │
│     (主题记忆类别文件 - 高层知识结构)            │
│     类似文件夹，按主题组织记忆条目                │
└─────────────────────────────────────────────────┘
                      ▲ 追溯
┌─────────────────────────────────────────────────┐
│           Layer 2: Memory Item                   │
│     (记忆条目 - 细粒度事实)                       │
│     自然语言句子形式的关键信息                    │
└─────────────────────────────────────────────────┘
                      ▲ 追溯
┌─────────────────────────────────────────────────┐
│           Layer 1: Resource                      │
│     (原始资源层 - 多模态数据)                     │
│     文本、图像、音频、视频等原始输入              │
└─────────────────────────────────────────────────┘

各层职责对比

类比理解：文件系统模型

memU的设计灵感来自文件系统，这使得记忆管理更加直观：

核心API分析

memorize() - 记忆存储管道

memorize()是记忆写入的核心API，负责将多模态输入转化为结构化记忆。

API签名

result = await service.memorize(
    resource_url="path/to/file.json",  # 资源路径或URL
    modality="conversation",            # 模态类型
    user={"user_id": "123"}             # 可选：用户范围
)

参数详解

返回结构

{
    "resource": {...},      # 存储的资源元数据
    "items": [...],         # 立即可用的记忆条目
    "categories": [...]     # 自动更新的类别结构
}

处理流程

输入资源 → 预处理 → LLM提取 → 分类聚合 → 存储
    ↓
实时可用（零延迟处理）

retrieve() - 双模式检索

retrieve()支持两种检索模式，可根据场景灵活选择。

RAG模式（快速上下文）

result = await service.retrieve(
    queries=[
        {"role": "user", "content": {"text": "用户偏好是什么？"}}
    ],
    where={"user_id": "123"},
    method="rag"  # 快速嵌入搜索
)

特点：

• ⚡ 毫秒级响应
• 💰 仅消耗Embedding计算
• 📊 自动相似度排序

LLM模式（深度推理）

result = await service.retrieve(
    queries=[
        {"role": "user", "content": {"text": "根据历史对话分析用户意图"}}
    ],
    where={"user_id": "123"},
    method="llm"  # LLM深度理解
)

特点：

• 🧠 意图预测
• 🔄 查询自动演化
• ⏹️ 充分性检测（自动终止）

模式对比

自定义LLM支持

memU支持多种LLM后端，可通过llm_profiles灵活配置。

支持的提供商

配置示例

service = MemUService(
    llm_profiles={
        "default": {
            "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "api_key": "your_api_key",
            "chat_model": "qwen3-max",
            "client_backend": "sdk"
        },
        "embedding": {
            "base_url": "https://api.voyageai.com/v1",
            "api_key": "your_voyage_api_key",
            "embed_model": "voyage-3.5-lite"
        }
    }
)

能力验证结论

✅ 已验证能力

1. 多模态支持：支持conversation/document/image/video/audio五种模态
2. 灵活检索：RAG和LLM双模式可选
3. 自定义LLM：支持OpenAI、OpenRouter、阿里云等多种后端
4. 用户隔离：支持多用户场景的记忆隔离
5. 实时处理：memorize后立即可用，零延迟

⚠️ 需要注意的能力边界

1. Python版本要求：需要Python 3.13+
2. 持久化存储：需要PostgreSQL + pgvector扩展
3. 持续运行：主动式记忆需要后台服务支持

差距分析

参考资料

• memU Core APIs - 官方API文档
• OpenRouter Integration - 多模型支持