🇨🇳中文 | 🌐English | 📖在线文档

---

你已经告诉 AI 三次"我现在不吃辣了"，它还在推荐川菜馆。 在 Cursor 里交代过的代码规范，Codex 并不知道；在 Claude Code 里定下的技术选型，换到 Hermes 又要从头讲一遍。

dual-mem 帮你彻底解决这些痛点：

• 🧠 记得准：不是把聊天记录越堆越乱，而是像人一样把原话、事实、个人画像分层整理；当你改了主意、换了城市或更新了方案，它会自动演化出新版本并保留历史，回答不再前后打架。
• 🔗 记得通：通过 MemHub，Claude Code、Codex、Cursor、Hermes、Agentica 共用同一份本地记忆。记忆是你的长期资产，不被任何单一工具锁定——无论在哪开口，都从懂你开始。
• 🛠️ 记得全：除了日常偏好与长期背景，还能从带工具调用（Tool Calls）的工程会话里自动提炼排障方案与代码经验，下次遇到同类问题直接复用。

效果：同场对比，全面领先

同一个模型（Qwen3.8-27B）负责抽取、作答与评分，同一套 embedding（bge-m3）、同一批题目——只换记忆系统：

记忆系统	LoCoMo (308 题)	LongMemEval (24 题)	PersonaMem-v2 (476 题)	单篇长对话写入耗时 (秒，越低越快)
dual-mem	74.7	91.7	50.0	503
hy-memory 2.0.4	66.6	70.8	43.5	2485
mem0	65.6	83.3	47.9	808

单篇长对话写入耗时为 LoCoMo 每篇多轮长对话从零写入的中位数耗时。评测协议、显著性检验、题型细分和复现命令见 评测说明。

三分钟上手

pip install dual-mem

首次运行会自动生成 ~/.dual_mem/config.yaml，填入模型服务的 API key 即可（支持任意 OpenAI 兼容端点）。

1. 日常记忆与偏好演化

from dual_mem import SyncMemoryClient

with SyncMemoryClient() as memory:
    memory.add(content="我住在上海，最近开始不吃辣了。", user_id="alice")
    memory.add(content="下个月我要搬去北京工作。", user_id="alice")

    res = memory.search(query="给 alice 推荐一家餐厅", user_id="alice")
    for m in res.memories.profile + res.memories.normal:
        print(m.content)

它会记住 alice 不吃辣、即将搬去北京——而且知道"上海"已经是过去时。

2. Coding 记忆：沉淀工程排障经验

开启 coding_enabled=True 后，当传入的 messages 含有 role="tool" 的工具调用记录时，dual-mem 会自动识别工程研发场景，将排障根因、修复方案和涉及文件沉淀为结构化 Coding 记忆，并通过 search_coding 精准召回：

from dual_mem import SyncMemoryClient
from dual_mem.config import Settings

with SyncMemoryClient(settings=Settings(coding_enabled=True)) as memory:
    memory.add(
        messages=[
            {"role": "user", "content": "高并发写入 SQLite 偶发 database is locked，帮我排查。"},
            {
                "role": "assistant",
                "content": "我先读取存储层代码查看事务开启方式。",
                "tool_calls": [{"name": "read_file", "arguments": {"path": "dual_mem/storage/vector_store.py"}}],
            },
            {
                "role": "tool",
                "tool_call_id": "t1",
                "content": "conn = sqlite3.connect(db_path, timeout=5.0)  # default DEFERRED transaction",
            },
            {
                "role": "assistant",
                "content": "原因是默认 DEFERRED 事务在读后升级写锁导致死锁。改为 BEGIN IMMEDIATE 提前获取写锁，并将 timeout 调至 30s。",
            },
        ],
        user_id="alice",
    )

    hits = memory.search_coding(query="SQLite 并发写入报 database is locked 怎么解决", user_id="alice")
    for h in hits:
        print(h["task"], "->", h["solution"], h["files"])

3. 可运行示例（examples/）

仓库 examples/ 目录提供了覆盖全部核心路径的端到端脚本：

示例脚本	演示内容	运行命令
examples/01_system1.py	单轮与多轮对话写入、偏好版本演化链、语义检索与历史版本查看	python examples/01_system1.py
examples/02_dual.py	dual 模式写入 + digest() 跨证据归纳 L3 深层行为规律与主动意图	python examples/02_dual.py
examples/03_rest_api.py	FastAPI /v1/memories/... 增删改查、版本更新与归档	python examples/03_rest_api.py
examples/04_cli.py	dual-mem 命令行写入、检索与原始对话搜索	python examples/04_cli.py
examples/05_lifecycle.py	add_raw 原文落盘、distill 延后抽取、search_conversation、update / delete	python examples/05_lifecycle.py
examples/06_coding_memory.py	Coding 工程记忆：含 Tool 调用的排障对话抽取与 search_coding 检索	python examples/06_coding_memory.py

异步客户端、多轮对话写入和 Agent 集成写法见 快速开始 与 示例说明。

MemHub：你的 AI 工具共享一份记忆

   Claude Code   Codex   Cursor   Hermes   Agentica
        \          |        |        |       /
         ─────────────  MemHub  ─────────────
                         │
                你的个人记忆（本机 / 你的云主机）

pip install "dual-mem[all]"

dual-mem hub install-service       # 后台常驻，开机自启
dual-mem hub install-host all      # 一键接入本机已安装的 AI 工具
dual-mem hub scan --source all     # 把过去的对话也变成记忆

dual-mem hub recall "我之前做过哪些技术选择"

• 零配置：工具自动发现本机记忆服务，不用填地址和密钥。
• 不打断你：对话先存下来立刻返回，整理在后台进行，不拖慢任何工具。
• 历史不浪费：已有的会话记录一键导入，第一天就"懂你"。
• 数据归你：默认只存在你的电脑上；也可以放到你自己的云主机，多台电脑连同一份记忆。

当前已支持 Claude Code、Codex、Cursor、Hermes、Agentica，更多工具见 Roadmap。详见 MemHub 文档。

适合谁用

你是…	dual-mem 帮你…
重度 AI 工具用户	用 MemHub 让各个 AI 工具共享你的偏好、规范和项目背景，不再重复交代
Agent / 应用开发者	三行代码给产品加上长期记忆；SDK、REST、MCP、CLI 任选接入
个人助手 / 客服产品	记住每位用户的画像与变化，回答越用越贴心
研究者	同场对比 mem0、hy-memory 的评测工具开箱即用

为什么记得更准

• 偏好变了会更新，而不是混淆：每条记忆都有版本，"住上海 → 搬北京"是一次更新，旧版本留作历史，回答默认用最新的。
• 事实与画像分开整理：说过的话、明确的事实、你是什么样的人，各存一层，按需取用。
• 专用决策模型把关：写入时由一个轻量决策模型判断"新信息、重复，还是更新"，比让大模型自己判断更稳、更便宜。
• 原话永远可查：整理过的记忆之外，原始对话始终保留，随时可以核对出处。

想了解实现原理？见下方 开发者文档。

接入方式

方式	适合	一句话
Python SDK	自己写 Agent / 应用	pip install dual-mem
MemHub	日常使用多个 AI 工具	dual-mem hub install-host all
MCP	Cursor、Claude Desktop 等支持 MCP 的工具	dual-mem-mcp
REST API	其他语言或独立服务	dual-mem serve
CLI	脚本、调试	dual-mem add / dual-mem search
框架插件	Agentica、Claude Code Hook、Hermes、OpenClaw	见 集成文档

Roadmap

• 分层记忆 + 版本演化：偏好更新可追溯
• 专用决策模型把关写入
• MemHub：5 个 AI 工具共享记忆、历史会话导入、后台整理
• 云主机单实例：多台电脑连同一份记忆
• LoCoMo / LongMemEval / PersonaMem-v2 同场评测领先
• MemHub 接入更多工具：OpenCode、WorkBuddy、Gemini CLI、Windsurf、Trae 等，目标 10+ 种
• 云端 HTTP MCP：远程 Agent 直接连接托管记忆
• 多跳推理类问题的检索增强（LoCoMo multi-hop 仍有提升空间）
• 多设备记忆同步：离线可用、联网自动合并
• 记忆可视化管理：查看、编辑、删除你的记忆
• 隐私分级：敏感记忆只留本机
• 补充更多公开评测（CodeMemoryBench 等，待数据公开）

欢迎在 Issues 投票或提需求。

News

• [2026/10/23] v0.1.4：新增 MemHub 本地单 Core 跨工具记忆中枢（支持 Claude Code / Codex / Cursor / Hermes / Agentica 会话增量导入、后台持久队列写入、开机自启与云端隧道连接）；升级 System 2 v3 聚类认知与版本桥召回；补充 Coding 记忆示例并精简无收益配置项；在 LoCoMo（74.7）、LongMemEval（91.7）、PersonaMem-v2（50.0）同场评测中全面领先 hy-memory 2.0.4 与 mem0。
• [2026/10/15] v0.1.3：升级为 L0_RAW / L1_FACT / L2_PROFILE / L3_DERIVED 四层记忆架构与 JEV 专用决策模型写路径，支持 target-first 关系裁决、版本演化链与历史回溯；新增 Agentica / Claude Code / Hermes / OpenClaw 原生生态集成与 Coding 记忆子系统（存储格式不兼容旧版，需使用新目录）。
• [2026/06/20] v0.1.2：新增 SyncMemoryClient 同步客户端封装，支持首次运行自动生成 ~/.dual_mem/config.yaml 默认配置，完善 REST / MCP / CLI 统一契约与在线文档站点。

展开更早版本

• [2026/06/19] v0.1.1：发布双系统分层记忆 SDK，支持语义 + BM25 + RRF 混合检索及 CLI / REST / MCP 接口。
• [2026/06/18] v0.1.0：首版开源。

完整变更见 CHANGELOG。

开发者文档

在线文档：https://shibing624.github.io/dual-mem · 本地预览：pip install -r requirements-docs.txt && mkdocs serve

文档	内容
安装与配置	extras、配置文件、凭证与优先级
快速开始	同步 / 异步客户端、多轮写入、Agent 集成
架构说明	SDK 与各接入层的关系、存储
四层记忆	L0 原文 / L1 事实 / L2 画像 / L3 推导
写入决策设计	决策模型动作与关系、版本链、并发
MemHub	Core 服务、宿主接入、云端单实例
MCP / REST	工具 ↔ HTTP ↔ SDK 对照
生态集成	Agentica / Claude Code / Hermes / OpenClaw
评测说明	协议、题集、复现与结果细分
示例说明	6 个可运行的端到端示例脚本说明

社区与支持

• GitHub Issues — 提交 issue
• 微信群 — 添加微信号 xuming624，备注 "llm"，加入技术交流群

引用

如果您在研究中使用了 dual-mem，请引用：

Xu, M. (2026). dual-mem: Dual-System Layered Memory SDK for LLM Applications. GitHub. https://github.com/shibing624/dual-mem

许可证 · 贡献 · 致谢

Apache License 2.0 · 欢迎贡献，见 CONTRIBUTING.md

感谢 Chroma、Kuzu、FastAPI、MCP Python SDK、mem0。