本文介绍MemMachine开源项目，为AI Agent提供持久化记忆层，解决LLM的"金鱼记忆"痛点。通过双层记忆系统（情景记忆和档案记忆），实现记忆动态进化与数据隐私可控。文章提供从零部署到接入Claude Code的详细指南，包括阿里云API魔改方案，帮助开发者打造真正了解用户、记得用户的智能助手。
你开发的 AI Agent 能记住多少轮和用户的对话？
作为一名 AI Agent 开发者，这段时间我不断在折腾同一件事：AI Agent（智能体）到底能不能拥有真正的“长期记忆”？
无论是做客服机器人、代码助手，还是陪伴式助手，我们都会遇到同一个痛点：
LLM（大语言模型）本身是没有记忆的。 其记忆完全依赖当前对话窗口（Context Window）。 一旦关闭对话、Token 超限，之前所有内容全部蒸发。
💡
于是就出现了下面的经典翻车场景：
- 用户：我上次说过我 不吃辣，记得吗？
- Agent：抱歉，我不记得了，请问您需要什么帮助？
这种“金鱼记忆”不仅让体验断裂，也极大限制了 AI Agent 做长期任务的能力。
🚅
直到最近，我在 GitHub 上看到一个开源项目 —— MemMachine。
项目开源地址：https://github.com/MemMachine/MemMachine
同时，这份精心整理的AI大模型学习资料，我整理好了，免费分享！只希望它能用在正道上，帮助真正想提升自己的朋友。让我们一起用技术做点酷事！
ps:微信扫描即可获取
加上后我将逐一发送资料
与志同道合者共勉
真诚无偿分享！！！
✏️
官方定位是：“AI 代理的持久化记忆层（Persistent Memory Layer）”
我本以为只是换汤不换药的 RAG 变体，没想到接入后 —— 真香。
今天我就带你从 0 到 1 体验一下：如何给 Claude Code + AI Agent 装上 MemMachine 的“长期大脑”。
一、MemMachine 是什么？为什么它比 RAG 更像“大脑”？
简单来说，普通的 RAG（检索增强生成）像是给 AI 配了一本字典，用来查资料；而 MemMachine 是给 AI 装了一个真正的人脑，用来记事情。
这两者的区别，用大白话翻译如下：
1. 为什么“普通 RAG”不算真记性？
普通的 RAG 就像你在搜索引擎里搜关键词。
你问“我上次说了啥？”，它只是去书堆里把包含“上次”这两个字的纸条找出来，它其实并不懂前因后果，只是在翻书。
2. MemMachine 的“双层脑子”是什么？
MemMachine 不只是“翻书”，它像人一样有两种记性：
① 剧情脑（情景记忆 Episodic Memory）
- 它记的是“故事线”： 就像你的日记本或朋友圈时间轴。
- 人话解释： 它不是死记硬背一句话，而是记得“因为你昨天感冒了，所以今天想喝热水”。它记得事情的前因后果和时间顺序，这比单纯搜关键词要聪明得多。
② 档案脑（档案记忆 Profile Memory）
- 它记的是“人设卡”： 就像你的身份证 + 体检表 + 喜好清单。
- 人话解释： 只要你提过一次“我不吃香菜”或者“我是程序员”，它就会拿个小本本记在你的专属档案里。无论聊什么话题，这个设定永远生效，不需要你重复说。
3. 最大的杀手锏：记忆是你的“U盘”，不是AI的“大脑”
这是最重要的一点。
- 以前： 你的记忆存在 ChatGPT 里，换了 Claude 就要重新从零开始培养感情。
- 现在（MemMachine）： 记忆就像一张手机 SIM 卡或者随身 U盘。
不管你今天把这张卡插在 iPhone (GPT) 上，还是插在安卓 (Claude/Llama) 上：
你的联系人、你的故事、你的喜好，全部都在。
二、从 0 到 1 的实战：安装 MemMachine + 接入 Claude Code
下面我们按照完全可复现的步骤，从部署到落地运行。
2.1 安装 MemMachine（Docker 版）
MemMachine 完全开源，部署方式非常简单。
步骤 1：准备 Docker / Docker Compose
确保系统已安装：
docker --versiondocker compose version步骤 2：本地部署MemMachine
🌰
官方提供了多种方式的部署方法，这里推荐使用Docker来部署，非常简单的。
首先得准备好一个OpenAI的APIKey（当然也可以魔改成阿里云APIKey的），我们可以来到OpenAI的API平台上https://platform.openai.com/api-keys，点击创建APIKey，就可以得到一个sk开头的API了，不过记得查看有没有额度哟~
🎁
如果API也有了，我们就可以正式开始部署了。接着我们需要创建一个文件夹，这里创建了一个MemMachine文件夹，路径如下：“D:\Open_Source_Project\MemMachine”
打开Powershell，输入以下命令：
$latestRelease = Invoke-RestMethod -Uri "https://api.github.com/repos/MemMachine/MemMachine/releases/latest"; `$tarballUrl = $latestRelease.tarball_url; `$destination = "MemMachine"; `if (Test-Path $destination) { Remove-Item $destination -Recurse -Force }; `New-Item -ItemType Directory -Force -Path $destination; `Invoke-WebRequest -Uri $tarballUrl -OutFile "MemMachine-latest.tar.gz"; `tar -xzf "MemMachine-latest.tar.gz" -C $destination --strip-components=1; `Set-Location $destination; `打开Git Bash（需要自行去https://git-scm.com/安装一个Git），进入到这个目录下：“D:\Open_Source_Project\MemMachine\MemMachine”，运行以下命令：
./memmachine-compose.sh🚅
第一步：选择Docker是哪种配置的（CPU/GPU），我们使用默认的CPU就行。
第二步：使用哪个模型供应商，我们默认使用OpenAI就行。
第三步，使用OpenAI的什么模型，我们也是默认[gpt-4o-mini]的就行了。
🎁
第四步，embedding模型也同样，默认即可。
👍
第五步，这样需要设置API Key，输入Y并填写好刚刚创建好的APIKey就可以了。
📌
最后一步呢，只需要等待它自行安装完成。
在命令行中输入这个命令，检查一下是否安装成功。
curl -v http://localhost:8080/health🎉
如果返回：{“status”: “healthy”}，说明 MemMachine 安装成功！
2.2 将 MemMachine 通过 MCP 接入 Claude Code
📚
这是关键步骤，也是很多人卡住的地方。
Claude Code 的所有插件、记忆层、外部工具都必须通过 MCP（Model Context Protocol） 接入。
MemMachine 官方提供了标准的 MCP 服务端。
不过前提条件是已经安装好Claude Code，可以输入以下命令检查一下：
claude --version步骤 1：新建 Claude Code MCP 配置
💡
在原本的文件夹：“D:\Open_Source_Project\MemMachine\MemMachine”目录下创建一个“.mcp.json”文件，复制以下代码到这个文件中。
{ "mcpServers":{ "memmachine":{ "command":"docker", "args":[ "exec", "-i", "memmachine-app", "/app/.venv/bin/memmachine-mcp-stdio" ], "env":{ "MEMORY_CONFIG":"/app/configuration.yml", "MM_USER_ID":"your-username", "PYTHONUNBUFFERED":"1" } } } }然后进入到命令行中进行测试。
claude进入到Claude界面中，输入“/mcp”，可以看到，MemMachine已经记录到了Claude里面了。
三、实战案例：将“饮食习惯”写入记忆，并通过 Claude 读取
🌅
接下来我们做最重要的演示：
让 Claude 记住：你的饮食偏好、作息习惯、忌口和目标 并在第二次对话成功取出记忆。
这段文本就是我们要让 Agent “记住”的：
📌 记忆写入文本：
“您好，请记住我的饮食习惯，其中，我喜欢吃辣的，尤其是川菜和湘菜。我不吃香菜，也不喜欢海鲜，特别是贝类。我更喜欢家常炒菜，不喜欢油炸食品。我通常早上7点吃早餐，中午12点半午餐，晚上7点晚餐。我习惯先喝汤再吃饭，吃饭时喜欢看视频。我在控制碳水摄入，尽量不吃白米饭和面条。我的目标是增肌，需要多摄入蛋白质，每天至少120克。我想减到65公斤，所以晚餐吃得比较少。就这些了，记住一下。”
🍰
然后我们关掉这个终端命令，重新打开一个，又进行提问。比如：我一天的用餐时间
四、魔改成阿里云配置
有的用户可能觉得，我并没有OpenAI的APikey，那该怎么办，我们可以使用国产的阿里云API来进行配置它，不过需要魔改一下代码和配置文件，接下来我将教大家怎么弄。
首先需要在“MemMachine”改一下“configuration.yml”这个配置文件，如下：
logging: path:/tmp/memory_loglevel:info# | debug | errorlong_term_memory:derivative_deriver:sentencemetadata_prefix:""embedder:qianwen_embedderreranker:my_reranker_idvector_graph_store:my_storage_idSessionDB:uri:sqlitetest.dbModel:qianwen: model_vendor:openai-compatible model:"qwen-turbo" api_key:"sk-xxx" base_url:"https://dashscope.aliyuncs.com/compatible-mode/v1"storage:profile_storage: vendor_name:postgres host:postgres port:5432 user:memmachine db_name:memmachine password:memmachine_passwordprofile_memory:llm_model:qianwenembedding_model:qianwen_embedderdatabase:profile_storageprompt:profile_promptsessionMemory:model_name:qianwenmessage_capacity:500max_message_length:16000max_token_num:8000embedder:qianwen_embedder: provider:openai config: model_vendor:openai model_name:"text-embedding-v4" model:"text-embedding-v4" api_key:"sk-xxx" base_url:"https://dashscope.aliyuncs.com/compatible-mode/v1" dimensions:1536reranker:my_reranker_id: provider:"rrf-hybrid" config: reranker_ids: -id_ranker_id -bm_ranker_idid_ranker_id: provider:"identity"bm_ranker_id: provider:"bm25"aws_reranker_id: provider:"amazon-bedrock" config: region:"us-west-2" aws_access_key_id:<AWS_ACCESS_KEY_ID> aws_secret_access_key:<AWS_SECRET_ACCESS_KEY> model_id:"amazon.rerank-v1:0"prompt:profile:profile_promptvector_graph_store:my_storage_id: provider:neo4j config: uri:"bolt://neo4j:7687" username:neo4j password:neo4j_password📚
其中，api_key: "sk-xxx"一定要改成自己的APIKey，可以从这个网站获取自己的Key：https://bailian.console.aliyun.com/?tab=model#/api-key
🚅
“.env”这个文件夹也需要改正一下，其中，“DASHSCOPE_API_KEY=sk-xxx”一定要改成自己的APIKey！！！
# =============================================================================# PostgreSQL / pgvector Database Configuration# =============================================================================POSTGRES_HOST=postgresPOSTGRES_PORT=5432POSTGRES_USER=memmachinePOSTGRES_PASSWORD=memmachine_passwordPOSTGRES_DB=memmachine# =============================================================================# Neo4j Database Configuration# =============================================================================NEO4J_HOST=neo4jNEO4J_PORT=7687NEO4J_USER=neo4jNEO4J_PASSWORD=neo4j_passwordNEO4J_HTTP_PORT=7474NEO4J_HTTPS_PORT=7473# =============================================================================# MemMachine Configuration# =============================================================================MEMORY_CONFIG=configuration.ymlMCP_BASE_URL=http://memmachine:8080GATEWAY_URL=http://localhost:8080FAST_MCP_LOG_LEVEL=INFO# =============================================================================# Qwen / DashScope Compatible Mode API# =============================================================================# 你在配置中 qianwen LLM + qianwen_embedder 都使用这一把 keyDASHSCOPE_API_KEY=sk-xxx# 可选：默认 base_url 可以覆盖DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1# =============================================================================# MemMachine Optional Settings# =============================================================================LOG_LEVEL=INFOMEMORY_SERVER_PORT=8080# 数据库连接池DB_POOL_SIZE=10DB_MAX_OVERFLOW=20# 镜像版本MEMMACHINE_IMAGE=memmachine/memmachine:latest-cpu然后重启 Docker（非常重要），分别在“D:\Open_Source_Project\MemMachine\MemMachine”目录下运行这两个命令。
docker-compose downdocker-compose up -d --build🌅
重启之后，就可以打开Claude开心地玩耍啦~！！！
五、为什么强烈建议你用MemMachine？
🌟
经过五天的深度实测，我总结了 MemMachine 的三个杀手级亮点：
1）记忆是“动态进化”的，而不是死的数据库
如果用户后来改口：
“我最近开始喜欢一点点海鲜了。”
MemMachine 会自动修正，而不是冲突。
2）数据隐私由你掌控（自部署）
所有记忆数据都在你的服务器本地：
- 不会上传 OpenAI
- 不会上传 Anthropic
- 不会泄露商业信息
- 特别适合企业、医疗、金融等行业
RAG 做不到这一点，MemMachine 做到了。
3）极佳的开发者体验（MCP 即插即用）
- 无需再写复杂的记忆管理逻辑
- 不再担心 context window
- 再大模型也可以换
- 代码改动极小
六、总结：MemMachine 绝对值得安装
如果你正在做：陪伴类 AI、客服类 AI、垂直行业助手（医疗 / 法律 / 教育）、代码助手数字员工。
那么你一定需要一个：可靠、可控、可进化、不会消失的长期记忆系统。
MemMachine 做到了，并且已经领先市场“半步”以上。
AI 的下半场，不是参数之争，而是记忆之争。
真正强大的 Agent，一定是能“了解你、记得你、为你变化”的 Agent。
MemMachine 可能就是通向那个未来的一块基石。
写在最后
案例只是一种思路和方法的传递。
更多无限的可能还在路上。
每一次的尝试都是向成功迈进的一步。
希望我的文章可以带给你一些启发！
大模型未来如何发展？普通人如何抓住AI大模型的风口？
※领取方式在文末
为什么要学习大模型？——时代浪潮已至
随着AI技术飞速发展，大模型的应用已从理论走向大规模落地，渗透到社会经济的方方面面。
- 技术能力上：其强大的数据处理与模式识别能力，正在重塑自然语言处理、计算机视觉等领域。
- 行业应用上：开源人工智能大模型已走出实验室，广泛落地于医疗、金融、制造等众多行业。尤其在金融、企业服务、制造和法律领域，应用占比已超过30%，正在创造实实在在的价值。
未来大模型行业竞争格局以及市场规模分析预测:
同时，AI大模型技术的爆发，直接催生了产业链上一批高薪新职业，相关岗位需求井喷：
AI浪潮已至，对技术人而言，学习大模型不再是选择，而是避免被淘汰的必然。这关乎你的未来，刻不容缓！
那么，我们如何学习AI大模型呢？
在一线互联网企业工作十余年里，我指导过不少同行后辈，经常会收到一些问题，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题，也不是三言两语啊就能讲明白的。
所以呢，这份精心整理的AI大模型学习资料，我整理好了，免费分享！只希望它能用在正道上，帮助真正想提升自己的朋友。让我们一起用技术做点酷事！
ps:微信扫描即可获取
加上后我将逐一发送资料
与志同道合者共勉
真诚无偿分享！！！
适学人群
我们的课程体系专为以下三类人群精心设计：
AI领域起航的应届毕业生：提供系统化的学习路径与丰富的实战项目，助你从零开始，牢牢掌握大模型核心技术，为职业生涯奠定坚实基础。
跨界转型的零基础人群：聚焦于AI应用场景，通过低代码工具让你轻松实现“AI+行业”的融合创新，无需深奥的编程基础也能拥抱AI时代。
寻求突破瓶颈的传统开发者（如Java/前端等）：将带你深入Transformer架构与LangChain框架，助你成功转型为备受市场青睐的AI全栈工程师，实现职业价值的跃升。
※大模型全套学习资料展示
通过与MoPaaS魔泊云的强强联合，我们的课程实现了质的飞跃。我们持续优化课程架构，并新增了多项贴合产业需求的前沿技术实践，确保你能获得更系统、更实战、更落地的大模型工程化能力，从容应对真实业务挑战。资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
01 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。希望这份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
👇微信扫描下方二维码即可~
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
02 大模型学习书籍&文档
新手必备的权威大模型学习PDF书单来了！全是一系列由领域内的顶尖专家撰写的大模型技术的书籍和学习文档（电子版），从基础理论到实战应用，硬核到不行！
※（真免费，真有用，错过这次拍大腿！）
03 AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
04 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
05 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
06 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
由于篇幅有限
只展示部分资料
并且还在持续更新中…
ps:微信扫描即可获取
加上后我将逐一发送资料
与志同道合者共勉
真诚无偿分享！！！
最后，祝大家学习顺利，抓住机遇，共创美好未来！
