张梦飞：保姆级 | 用memU为智能体赋予长期记忆，本地部署 + 工作流接入教程！一步一图，小白可用

张梦飞：保姆级 | 用memU为智能体赋予长期记忆，本地部署 + 工作流接入教程！一步一图，小白可用 张梦飞：保姆级 | 用memU为智能体赋予长期记忆，本地部署 + 工作流接入教程！一步一图，小白可用 Modified August 16, 2025 Code block Plain Text 请求头（如果是本地部署版本，则不需要Authorization这一项）： Authorization Bearer xxxxxxxxx这里换成你的memU刚才创建的keyxxxx这里复制的时候不要漏掉Bearer。 Content Type application/json 请求体： { "query": "{{block output 100001.input}}", "user id": "1", "agent id": "2", "top k": 3, "min similarity": 0.3 } 5、创建一个AI节点，具体配置如下： 提示词： Code block Markdown 角色 你是一个高效的记忆工具助手，能够借助用户过往的记忆信息{{memU}}，与用户进行自然流畅的对话，为用户提供准确、有价值的回复。 技能 技能 1: 基于记忆对话 1. 仔细分析用户输入内容，结合记忆信息{{memU}}，理解用户意图。 2. 依据对用户的了解和记忆信息，给出贴合用户需求的回复。 3. 如果记忆信息不足，通过与用户进一步交流获取更多信息以更好回应。 限制: 对话内容需围绕与记忆相关或基于记忆信息展开，拒绝回答无关话题。 回复要逻辑清晰、简洁明了，符合正常交流语境。 6、然后再加一个HTTP请求节点，按照以下方式填入即可。 Code block Bash 如果你是非本地部署版本，使用以下网址： post https://api.memu.so/api/v1/memory/memorize 如果你是本地部署版本，需要把以下替换为你的IP地址： http://233.224.37.34（这里替换）:8000/api/v1/memory/memorize 请求头（如果是本地部署版本，则不需要Authorization这一项）： Authorization Bearer xxxxxxxxx这里换成你的memU刚才创建的keyxxxx这里复制的时候不要漏掉Bearer。 Content Type application/json 请求体，直接复制进去： { "conversation": [ { "role": "user", "content": "{{block output 100001.input}}" }, { "role": "assistant", "content": "{{block output 121946.output}}" } ], "user id": "1", "user name": "用户", "agent id": "2", "agent name": "智能助手" } 7、最后的输出节点，选择大模型的输出。 8、到此，大功告成。 现在，我们来理解一下，为什么这样就拥有了记忆。 看着示意图，就十分清晰好理解了。 memU的原理就是，在你与大模型进行对话前，在“memU记忆提取节点”使用“用户问题”，去memU的记忆库里查找相关的记忆信息。 把查找到的这些记忆信息，放到“大模型节点”的系统提示词里。让模型知道有这些记忆信息。 然后，模型结合记忆信息和用户问题，一起来回复用户。 这样就能够做到，让模型有记忆的回复。 模型回复结束之后，同时把“用户问题”与“AI回复信息”一起在“传入memU节点”传递给memU的存入接口，由memU在后端进行记忆的处理。 如此一来，等到下一轮对话时，就可以再次抽取出来之前的记忆，循环往复，达到记忆的效果。 以上是简单解释，实际的memU的处理逻辑是十分复杂的，但是我们已经无需重点关注，因为memU已经为我们处理好了一切，我们只需要直接使用即可。 通过以上两个一入一出的节点，就可以完美的把memU接入你的工作流中。同理，其他所有的LLMops平台均可通过HTTP节点接入memU。 恭喜你，你已经拥有了为任何智能体赋予长期记忆的能力 最后，官方还设立了交流群和积分赠送的活动，群聊我已经放在评论区，大家可自行加入 我是梦飞，我们下次再见 5、创建一个AI节点，具体配置如下： 提示词： 6、然后再加一个HTTP请求节点，按照以下方式填入即可。 7、最后的输出节点，选择大模型的输出。 8、到此，大功告成。 现在，我们来理解一下，为什么这样就拥有了记忆。 看着示意图，就十分清晰好理解了。 memU的原理就是，在你与大模型进行对话前，在“memU记忆提取节点”使用“用户问题”，去memU的记忆库里查找相关的记忆信息。 把查找到的这些记忆信息，放到“大模型节点”的系统提示词里。让模型知道有这些记忆信息。 然后，模型结合记忆信息和用户问题，一起来回复用户。 这样就能够做到，让模型有记忆的回复。 模型回复结束之后，同时把“用户问题”与“AI回复信息”一起在“传入memU节点”传递给memU的存入接口，由memU在后端进行记忆的处理。 如此一来，等到下一轮对话时，就可以再次抽取出来之前的记忆，循环往复，达到记忆的效果。 以上是简单解释，实际的memU的处理逻辑是十分复杂的，但是我们已经无需重点关注，因为memU已经为我们处理好了一切，我们只需要直接使用即可。 通过以上两个一入一出的节点，就可以完美的把memU接入你的工作流中。同理，其他所有的LLMops平台均可通过HTTP节点接入memU。 恭喜你，你已经拥有了为任何智能体赋予长期记忆的能力 最后，官方还设立了交流群和积分赠送的活动，群聊我已经放在评论区，大家可自行加入 我是梦飞，我们下次再见 项目地址：https://github.com/NevaMind AI/memU/ 项目官网：https://memu.pro/ 既然看到这里了，请随手点个赞、在看、转发三连吧，感谢你的支持 往期推荐 1、 我是如何把AI从爱好做成“副业”和“全职”的 我是如何把AI从爱好做成“副业”和“全职”的 2、 抛砖引玉 | 为什么DeepSeek R1是推理模型？（万字长文） 抛砖引玉 | 为什么DeepSeek R1是推理模型？（万字长文） 3、 GPT 5海外反应平平，因为GenZ都在玩儿这个AI GPT 5海外反应平平，因为GenZ都在玩儿这个AI 4、 手把手教你把AI大模型接入小米音箱，无需任何代码基础详细操作教程 手把手教你把AI大模型接入小米音箱，无需任何代码基础详细操作教程 5、 GLM 4.5V首发实测：国产全球100B级最强多模态 GLM 4.5V首发实测：国产全球100B级最强多模态 6、 【干货教程】解锁AI电话员工，实时语音，智能打断 【干货教程】解锁AI电话员工，实时语音，智能打断 7、 用了两周，发现小米AI眼镜最有用的竟是这个... 用了两周，发现小米AI眼镜最有用的竟是这个... 8、 8000块赚130万的生意门道，这个阿里Agent居然“秒懂” 8000块赚130万的生意门道，这个阿里Agent居然“秒懂” 🔗 原文链接： https://mp.weixin.qq.com/s/gj9nvvMs... https://mp.weixin.qq.com/s/gj9nvvMs... 原创 张梦飞i Equity AI2025年08月16日 15:47 河南 这是一篇手把手教你 为智能体赋予长期记忆的教程 hello，我是梦飞。 最近想要给自己的项目添加长期记忆能力，在多方对比后，我发现了一个记忆的准确度高、速度快、成本低，专门用来适配AI记忆能力的开源项目—— memU 他能够帮助我们快速的构建一个记忆库，让AI像人一样拥有长期的记忆能力，让AI能在每一次互动中与用户共同成长。 智能体记忆框架解决方案，在市面上其实已经有了几个，比如memobase、mem0和zep，但是在们的调研和对比后，我选择了memU。 其中，最大也是最核心的差异点就是：memU的记忆模块是一个agent。它能够自主维护用户的“记忆文件系统”，而不是生硬的存取。 在此基础上，memU还有一些自己独特的记忆结构： • “文件系统”式的记忆 所有用户交互都会通过一个记忆代理（memory agent）进行处理，该代理会对内容进行索引、分类，并将其转化为结构化的记忆文档 • 链接与知识图谱构建 MemU 将每一条记忆视作更大知识图谱的一部分。它会自动检测跨时间、跨模态的关联，构建一个动态的相关体验网络，就像一个可超链接跳转的文档系统，支持查询与遍历 • 自我反思与演化 在离线时，后台记忆代理会执行分析，以优化和整合记忆簇。这个过程类似于人类的反思：它会合并冗余信息、总结主题、填补知识空白，并推断看似无关经历之间的隐含联系 • 情境化保留与遗忘 并非所有记忆都同等重要。MemU 会根据使用模式与检索情境，持续地对记忆条目进行优先级调整，从而实现自适应的记忆保留与有序遗忘 因为以上特性，让memU与其他项目对比，能够在单跳、多跳、开放域、时序和整体体验等维度指标中均获得了远超其他项目的得分。 所以，memU非常适合在各种需要智能体拥有像人一样记忆能力的场景下使用，比如： AI助手、AI伴侣、AI游戏、AI机器人等等。 memU都可以为他们提供长期记忆的能力，比如：回忆过去的会议、喜爱偏好、朋友、共同故事、情感事件等等内容，从而实现具备上下文感知与持续个性化的能力。 我想我已经介绍清楚了memU。 同时，AI智能体记忆力的重要性不言而喻，对于小伙伴们自然不必啰嗦。 此项目的官方文档是从一个开发者角度去写的纯代码内容。开发能力不足的小伙伴看到源文件肯定会很懵，即使是有AI的辅助，可能也有心无力。 我的粉丝我来宠，本次教程依然是手把手教程。 不仅有完整的 本地部署教程，还教你如何把memU接入到coze或者fastgp/dify等一切LLMops平台中 ，让你能够在熟悉的 工作流环境中完整的使用memU提供的强大记忆能力。 如果你现在不方便操作，建议先点赞收藏，防迷路 话不多说，我们开始 项目开源地址 ：https://github.com/NevaMind AI/memU 教程共 6个 步骤，约 20分钟 完成。 如果你要本地部署memU，需要做前4步： • 1、准备一台服务器 • 2、安装Docker和Docker Compose • 3、准备一个LLM的密钥 • 4、部署memU源码。 如果你不需要本地部署，可跳过上述步骤，从第五步开始： • 5、打开memU页面，配置账号 • 6、把memU接入外部LLMops平台以Coze为例 • 7、完成 对于服务器的购买、宝塔的安装、Docker和Docker Compose的教程我们已经发了很多次了，所以不再赘述，如果有需要的可以前去这篇《 保姆级 | Coze开源版本地部署教程，一步一图，小白可用 》查看 服务器的购买步骤、宝塔安装和模型密钥的获取方式。 保姆级 | Coze开源版本地部署教程，一步一图，小白可用 我们直接从源码部署开始： 四、memU源码部署 1、打开宝塔，在文件的位置，进入home文件夹下，新建一个memU文件夹。 2、然后去:https://github.com/NevaMind AI/memU，下载源文件，建议顺手点个Star。 3、把下载好的文件，直接拖入memU文件夹中 4、上传后直接右键解压缩，进入解压后的“ memU main ”文件夹，并找到 env.example 文件。 5、把这个文件重命名为： .env 6、然后打开重命名后的“.env”新文件，找到这四行。 7、我用的是豆包的模型，如果你也用火山的模型，可以跟我一样这样填写，只需要更换你的API key就好了。如果不知道在哪找，依然可以参考《 保姆级 | Coze开源版本地部署教程，一步一图，小白可用 》的第四步即可。 保姆级 | Coze开源版本地部署教程，一步一图，小白可用 8、填入之后，保存并退出。 打开 文件顶部的终端 ，复制以下命令，粘贴进入，并回车执行。 9、等待构建完成，这个过程需要一些时间，耐心等待即可。 10、在等待过程中可以去开放一下服务器的：8000 端口，在开头购买服务器的时候已经开放过一次，参考原操作即可。 五、打开memU页面，配置账号 到了这一步，接下来的操作都是一样的了。 如果你是 本地部署， 先使用你的服务器地址登录memU页面确认是否成功部署。 登录地址为： http://用服务器IP替换此文字: /docs / 比如我的是这样的，如果你看到以下页面，说明你已经部署成功了。 如果你是 非本地部署 ，直接进入：https://app.memu.so/ 接下来我使用 在线版本的页面进行演示，如何获取官网的memU的API key， 本地版本无需获取key ： 使用谷歌或GitHub或用你的邮箱注册并登录memU： 登录后是一个十分简洁的页面，直接来到左侧的“钥匙”页卡，来获取你的API key 然后你会发现有一个key，现在先不用动了，放到这里，一会再用。 6、把memU接入外部LLMops平台（以Coze为例） 1、进入coze：https://www.coze.cn/studio 2、进入工作空间创建工作流。 3、添加一个节点，选择“Http”请求 4、按照如下内容来配置这个http插件，这是插件的功能是： 获取记忆体。