dual-mem

当场记下事实，事后看出规律。
System 1 在对话里写下事实和变化，dual（System 2）再把它们归纳成稳定规律。MemHub 让多个 Agent 共用这一份记忆。

简体中文 | English | 在线文档

为什么选 dual-mem

你已经告诉 AI 三次「我现在不吃辣了」，它还在推荐川菜馆。聊了几十轮，它背得出每一句原话，却说不出你做事的稳定习惯。在 Cursor 里交代过的代码规范，Codex 并不知道。

1. 🏆 同一个模型，记得更准、写得更快

抽取、作答、评分用同一个模型（Qwen3.8-27B），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

三场公开评测都排第一，写入大约是 hy-memory 的五分之一。 协议、显著性、题型细分和复现命令见 评测说明。

2. 🧠 两套系统，这就是 dual

名字里的 dual 指 chat 里的两套记忆，也是论文里要写的方法层。

• System 1（默认 system1）：对话进行时写入。原话、事实、个人画像分层存放；你改了主意、换了城市或更新了方案，它追加新版本并保留历史，回答用最新的。
• dual / System 2（mode="dual"，再调用 digest()）：会话告一段落时，跨多条证据归纳行为规律和长期画像（L3）。

对应示例：examples/02_dual.py。

3. 🔗 多个 Agent，一份记忆

MemHub 把上面这两套系统接到本机上的多个工具。Claude Code、Codex、Cursor、Hermes、Agentica 读写同一份记忆，数据默认留在你的电脑上。

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"

零配置发现本机服务，对话先存下来立刻返回，整理在后台进行。一轮对话结束时宿主的 Hook 把新增内容交给 Core，你下一次输入提示词时相关记忆自动注入；Agent 也能通过 MCP 主动查。写代码的会话会连同工具调用一起送达，沉淀成工程经验。

多台电脑共用一份记忆：在你的服务器上跑唯一一个 Core，每台电脑一条命令连上——

dual-mem hub connect user@your-server   # 自动建 SSH 隧道、读服务器 token、写好本机 hub.json

Core 只监听服务器的 127.0.0.1，不需要开放端口；隧道装成登录服务，断线自动重连。始终只有一份库，没有 push / pull 合并。见 服务器搭建 与 MemHub 文档。

4. 🛠️ 工程排障也能留下来

chat 和 coding 是同一个 add() / search()。messages 里带工具轨迹（role="tool" 或 assistant 的 tool_calls）、且 JEV 判成工程会话时，除了照常写入的事实和画像，还会抽出可复用的工程经验（kind="procedure"：任务、方案、文件、适用边界）。它和对话记忆共用存储、版本链和 JEV 裁决，search(procedure_limit=3) 单独返回 procedures 组；dual 模式下也参与 digest() 归纳。用法见 快速开始 · Coding 记忆。

安装

pip install dual-mem

含 REST / CLI / MCP / MemHub：pip install "dual-mem[all]"；各 extra 也可以单独装，MCP 基于 mcp 2.x。首次运行会把包内 config.default.yaml 复制成 ~/.dual_mem/config.yaml。启动要三把钥匙，缺一就拒绝构造：

jev_api_key: ""    # 写入裁决。System One，不是 Chat Completions
jev_endpoint: https://api.typesafe.ai/v1/systemone

llm_api_key: ""    # 抽取与 System 2。OpenAI 兼容，地址可改
llm_base_url: https://api.openai.com/v1

embed_api_key: ""  # 向量索引与检索。OpenAI 兼容，地址可改
embed_base_url: https://api.openai.com/v1

三把钥匙和三个地址都可以改成环境变量：DUAL_MEM_JEV_API_KEY / DUAL_MEM_JEV_ENDPOINT、DUAL_MEM_LLM_API_KEY / DUAL_MEM_LLM_BASE_URL、DUAL_MEM_EMBED_API_KEY / DUAL_MEM_EMBED_BASE_URL。

快速开始

日常记忆

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，并且知道「上海」已经是过去时。

Coding 记忆

不需要开关，也没有第二个检索入口。messages 里出现工具轨迹（某条是 role="tool"，或者 assistant 带了 tool_calls）是结构条件；接着 JEV 判断整段是不是工程会话，是才另外抽出 task / solution / files，作为 kind="procedure" 的 L1 记忆。同一段会话里用户顺口说的偏好（例如「我习惯用 uv」）照常进事实和画像。

把几个 .py 文件的正文放进 add(content=...) 或普通 user 消息，没有工具轨迹，只走 chat 记忆。

from dual_mem import SyncMemoryClient

with SyncMemoryClient() 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": [{"id": "t1", "name": "read_file", "arguments": {"path": "app/db.py"}}],
            },
            {
                "role": "tool",
                "tool_call_id": "t1",
                "content": "conn = sqlite3.connect(db_path, timeout=5.0)  # default DEFERRED transaction",
            },
            {
                "role": "assistant",
                "content": "原因：DEFERRED 事务先读后写，升级写锁时若另一连接已持有写锁，SQLite 直接返回 SQLITE_BUSY 而不等待 timeout。改为 BEGIN IMMEDIATE 提前获取写锁，并将 timeout 调至 30s。",
            },
        ],
        user_id="alice",
        workspace_id="~/code/app",  # procedure 的版本边界，可省略
    )

    res = memory.search(
        query="SQLite 并发写入报 database is locked 怎么解决",
        user_id="alice",
        procedure_limit=3,  # 默认 0：chat 检索结果和以前完全一样
    )
    for m in res.memories.procedures:
        print(m.procedure.task, "->", m.procedure.solution, m.procedure.files)

示例

两条最值得看的：examples/02_dual.py 是 digest() 归纳 L3，examples/06_coding_memory.py 是工具轨迹写入、方案演化和 procedures 组检索。REST、CLI、生命周期在 examples/ 目录里。异步客户端见 快速开始。

功能特性

记忆

• 版本演化 — 「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
• 分层存放 — 原话（L0）、事实与意图（L1）、画像（L2）、跨证据规律（L3）分开，按需取用
• 决策模型(Jev)把关写入 — 新信息、重复，还是更新，由轻量模型判断
• 原话可查 — 整理过的记忆之外，原始对话始终保留

接入

• Python SDK — pip install dual-mem
• MemHub — dual-mem hub install-host all
• MCP / REST / CLI — dual-mem-mcp、dual-mem serve、dual-mem add / dual-mem search
• 框架插件 — Agentica、Claude Code Hook、Hermes、OpenClaw，见 集成文档

Roadmap

• System 1 分层记忆 + 版本演化
• dual / System 2：显式 digest() 归纳 L3
• 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 hub connect 连同一份记忆
• chat 与 coding 统一：工程会话沉淀 procedure 经验，dual 也归纳工程习惯
• 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

• [2026/10/24] v0.2.0：chat 与 coding 统一成同一套 add() / search()。带工具轨迹的工程会话在对话记忆之外沉淀 kind="procedure" 工程经验，共用存储、版本链和 JEV 裁决，search(procedure_limit=3) 单独返回 procedures 组；dual 的 digest() 也覆盖工程经验。删除 search_coding 与独立的 coding 库。chat 路径的 prompt、裁决与召回不变。MemHub 采集 Claude Code / Codex / Agentica 的工具轨迹，dual 模式空闲时自动 digest；新增 dual-mem hub connect user@server，一条命令建隧道、读 token、写好 hub.json。MCP 迁移到 mcp 2.x；install-host 改写 YAML 时保留注释。详见 Release-v0.2.0。
• [2026/10/23] v0.1.5：修复 Coding 记忆接真实模型时写不进去的问题。抽取改为返回 {"candidates": [...]} 对象，适配默认 llm_json_mode；去掉 coverage 硬门槛；同一批写入可以覆盖同一条旧方案；裁决只看当前版本边界内的记录；同一用户的并发写入按 scope 串行。快速上手补充 Coding 记忆章节，examples/06_coding_memory.py 增加方案更新后只返回当前版本的示例。详见 Release-v0.1.5。
• [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。详见 Release-v0.1.4。
• [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）。详见 Release-v0.1.3。

更早版本

• [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。详见 Release-v0.1.2。
• [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。详见 Release-v0.1.1。
• [2026/06/18] v0.1.0：首版开源。

完整变更见 CHANGELOG。

文档

完整使用文档：https://shibing624.github.io/dual-mem

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

本地预览：pip install -r requirements-docs.txt && mkdocs serve

社区与支持

如果 dual-mem 帮到了你，欢迎点个 ⭐ Star，让更多人看到。

• 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

@misc{xu2026dualmem,
  author    = {Xu, Ming},
  title     = {dual-mem: Dual-System Layered Memory SDK for LLM Applications},
  year      = {2026},
  publisher = {GitHub},
  url       = {https://github.com/shibing624/dual-mem}
}

许可证

Apache License 2.0

贡献

欢迎贡献，见 CONTRIBUTING.md。

致谢

• Chroma
• Kuzu
• FastAPI
• MCP Python SDK
• mem0