memhub
跨 18 种 AI 工具共享的本地个人记忆中枢 & Python 记忆 SDK
让 Claude Code、Codex、Cursor、Agentica、OpenClaw 等共用同一份会版本演化、懂代码经验、可 Git 同步的长期记忆。
100% 开源本地运行 · 零账号零遥测 · LoCoMo / LongMemEval / PersonaMem-v2 同场评测第一
为什么选 memhub • 一分钟上手 • 评测数据 • Python SDK / MCP
https://github.com/user-attachments/assets/1fba5e03-219d-414e-8c96-8e63a11200fd
为什么选 memhub
在 Cursor 定好的工程规范,换到 Claude Code 又要重讲;技术方案改了三次,只做追加记录的插件把新旧说法一起塞进上下文;修过的棘手 Bug 淹没在几百条命令输出里,下次换个工具还得从头排查。
memhub 不做「工具调用流水账」,而是为你维护一份自动更新状态、提炼排障方案、跨工具跨设备通用的本地长期记忆:
| 对比维度 | memhub |
claude-mem |
mem0 |
|---|---|---|---|
| 记忆机制 | 版本演化记忆:新结论自动替代旧说法,保留历史链 | 追加式工具观察日志,新旧结论并存累积 | 通用对话片段增删改,缺版本链与时效边界 |
| Coding 能力 | 沉淀排障方案 + 项目红线常驻,自动检测文件/分支变动 | 记录文件读写与命令摘要 | 纯文本片段,无代码轨迹与分支感知 |
| 冷启动与跨端 | memhub scan 一键导入 18 种工具历史;私有 Git / 网盘免服同步 |
安装后新会话起记;云同步绑定官方账号 | 需手写脚本导入;多端依赖云端或自建服务 |
| 隐私与基准评测 | 100% 本地优先、无账号无遥测;3 项公开基准同场第一 | 默认引导云端试用与遥测(可关);无公开记忆评测 | LoCoMo 65.6(时间推理 22 vs 78) |
核心优势
- 18 种工具共享,装上第一天就懂你:打通 Claude Code、Codex、Cursor、Agentica、OpenClaw 等本地工具;支持增量扫描导入本机已有历史会话,无需从零积累。
- 状态自动演化,回答只用最新结论:偏好改变或方案迭代时,专用写入决策模型自动归档过期说法、启用新版本,并在后台跨会话归纳长期习惯(底层原理见 架构与快慢双系统)。
- 专为写代码打磨:自动把排障过程提炼为「报错症状 → 根因与解法 → 关联文件」,过滤大段命令输出与后台任务噪音;项目红线随提问自动带入,关联文件改名或切分支时主动提醒核实。
- 毫秒级本机召回,省 Token 且数据归你:本机混合检索(
~0.17s,断网可用),按预算折叠细节按需展开;支持memhub ui可视化增删改查、<private>...</private>隐私标签与密钥脱敏。
一分钟上手
1. 安装并接入本机 AI 工具
pip install "memhub[all]"
# 1. 启动本机后台服务(开机自启,仅监听 127.0.0.1;卸载用 memhub uninstall-service)
memhub install-service
# 2. 自动探测并接入本机已安装的 AI 工具(卸载用 memhub uninstall-host <工具名>)
memhub install-host
# 也可指定单个:memhub install-host claude-code / codex / cursor / agentica / ...
# 3.(可选)一键导入本机已有的历史会话
memhub scan --source all
# 4. 终端检索,或在浏览器可视化管理记忆
memhub recall "我之前做过哪些技术选型"
memhub ui # 打开 http://127.0.0.1:8765/ui
接入后全程无感运行:每轮对话结束后台异步整理入库;下次在任意工具提问前自动召回当前项目规范、个人偏好与相关排障经验注入上下文,Agent 也可通过 MCP 主动查询或更新。
查看已支持的 18 种 AI 工具与接入能力表
| 宿主工具 | 提问自动注入 | 会话自动采集 | MCP 工具 | 历史导入 (scan) |
|---|---|---|---|---|
| Claude Code / Codex / Cursor / Agentica | ✅ | ✅ | ✅ | ✅ |
| OpenCode / CodeBuddy / WorkBuddy / Kimi Code | ✅ | ✅ | ✅ | ✅ |
| ZCode / Qoder / GitHub Copilot / AWS Kiro | ✅ | ✅ | ✅ | ✅ |
| Trae | ✅ | ✅ | ✅ | — |
| Kimi CLI | MCP + Skill | ✅ | ✅ | ✅ |
| DeepSeek Harness | MCP + Skill | scan,或打开 hub_capture_dsh |
✅ | ✅ |
| Hermes / Cline / Pi | MCP + Skill | scan |
✅ | ✅ |
| OpenClaw | Skill + CLI | scan |
— | ✅ |
2. 多台电脑同步(零服务器、不重算向量)
每台电脑保存完整本地库,检索只查本机;设备间仅同步压缩后的增量变更,接收端零模型调用:
memhub connect git git@github.com:you/my-memory.git # 推荐:私有 Git 仓库自动合并与冷备
memhub connect dir "~/Library/Mobile Documents/com~apple~CloudDocs/memhub" # 或:iCloud / Dropbox / Syncthing 目录
memhub connect ssh user@your-server # 或:自建 SSH 服务器
详见 跨工具记忆中枢(Hub) 与 多设备同步指南。
评测数据
1. 同模型公开基准测试
抽取、作答、判分统一使用 Qwen3.8-27B 与 bge-m3,从空库构建,唯一变量为记忆系统(评测协议与复现):
| 记忆系统 | LoCoMo (308 题) | LoCoMo 时间推理 | LongMemEval (24 题) | PersonaMem-v2 (476 题) | 单篇长对话写入耗时 |
|---|---|---|---|---|---|
| memhub | 74.7 | 78 | 91.7 | 50.0 | 503s |
| hy-memory | 66.6 | 61 | 70.8 | 43.5 | 2485s |
| mem0 | 65.6 | 22 | 83.3 | 47.9 | 808s |
三项基准全部第一;时间与状态更新类问题领先 17~56 分,写入速度约为 hy-memory 的 5 倍。
2. 真实 CLI 宿主端到端实测
在空工作目录下考核仅存于记忆中的项目代号、超时配置与合并门禁命令(实测明细):
| 模式 | Claude Code | Codex | OpenCode | kimi-cli | kimi-code |
|---|---|---|---|---|---|
| 原生(无 memhub) | 0/5 | 0/5 | 0/5 | 0/5 | 0/5 |
| 接入 memhub 后 | 5/5 | 5/5 | 5/5 | 5/5 | 5/5 |
开发者接入
核心记忆引擎可作为独立 Python SDK、MCP 服务或多租户 REST API 嵌入自有 Agent 与应用:
pip install memhub
from memhub 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")
res = memory.search(query="给 alice 推荐一家餐厅", user_id="alice")
首次运行会在 ~/.memhub/config.yaml 生成配置模板,填入任意 OpenAI 兼容模型与网关即可:
jev_api_key: "" # 写入裁决模型密钥(默认 https://api.typesafe.ai/v1/systemone)
llm_api_key: "" # 抽取与归纳模型密钥(支持 llm_base_url 自定义网关)
embed_api_key: "" # 向量模型密钥(支持 embed_base_url 自定义网关)
Roadmap
- 快慢双系统分层记忆 + 专用决策模型版本演化
- 跨工具记忆中枢:18 种 AI 工具共享、历史导入、
memhub ui可视化管理 - 零服务器多端同步(私有 Git / 网盘文件夹 / SSH)
- 工程排障经验沉淀、实时项目红线注入与文件漂移检测
- LoCoMo / LongMemEval / PersonaMem-v2 公开评测第一 & 5 宿主实测 5/5
- 云端托管 HTTP MCP(供远程无状态 Agent 直接连接)
- 多跳推理检索增强(提升 LoCoMo multi-hop 表现)
- 代码记忆专项公开基准评测(CodeMemoryBench 等)
欢迎在 Issues 提需求或交流。
News
- [2026/11/22] v0.2.5:整轮
<private>与memhub_excluded_projects可排除项目;DeepSeek Harness 可打开自动采集;定时任务和后台回报不再入库;记忆工具返回有字数上限。详见 Release-v0.2.5。 - [2026/11/12] v0.2.4:支持宿主扩展至 18 种;
memhub install-host默认自动探测本机已装工具;新增memhub doctor与预算制渐进披露召回;Agentica 全端采集打通。详见 Release-v0.2.4。 - [2026/11/03] v0.2.3:Cursor 自动采集与提问前注入;新增
memhub remember;memhub ui升级浅白主题并优化检索与存储体积。详见 Release-v0.2.3。
更早版本
- [2026/11/02] v0.2.2:包名与 CLI 统一升级为
memhub;新增可视化管理页memhub ui与向量压缩同步快照。详见 Release-v0.2.2。 - [2026/11/01] v0.2.1:多设备改为每台本地检索 + 变更日志同步,移除常驻 SSH 隧道。详见 Release-v0.2.1。
- [2026/10/24] v0.2.0:统一对话与 Coding 记忆接口,支持从工具轨迹自动沉淀工程排障经验。详见 Release-v0.2.0。
- [2026/10/23] v0.1.4:发布本地跨工具记忆中枢;LoCoMo / LongMemEval / PersonaMem-v2 同场评测第一。详见 Release-v0.1.4。
- [2026/06/18] v0.1.0:首版开源。完整历史见 CHANGELOG。
文档
完整文档站点:https://shibing624.github.io/memhub
| 使用指南 | 进阶与架构设计 |
|---|---|
| 跨工具记忆中枢(Hub) · 多设备同步 | 系统架构说明 |
| 安装与配置 · SDK 快速开始 | 四层认知记忆模型 |
| Agent 框架集成 · MCP / REST 接口 | JEV 写入裁决与版本链设计 |
| 公开基准评测 · CLI 宿主实测 | 端到端代码示例 |
社区与支持
如果
memhub对你有帮助,欢迎点一颗 ⭐ Star 支持项目发展!
- GitHub Issues:提交问题或建议
- 技术交流群:添加微信
xuming624,备注llm
引用
@misc{xu2026memhub,
author = {Xu, Ming},
title = {memhub: Personal Memory Hub and Dual-System Layered Memory SDK for AI Agents},
year = {2026},
publisher = {GitHub},
url = {https://github.com/shibing624/memhub}
}
许可证与致谢
Apache License 2.0 · 欢迎贡献(CONTRIBUTING.md) · 感谢 Chroma、Kuzu、FastAPI、MCP Python SDK、mem0。
Metadata
Release files for memhub 0.2.5
For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.
Source distribution (sdist)
| File | Size | Uploaded | Provenance | Actions |
|---|---|---|---|---|
| memhub-0.2.5.tar.gz | 449.1 kB | Without provenance | Details for memhub-0.2.5.tar.gz |
Built distribution (wheel)
| File | Interpreter | ABI | Platform | Actions Reset |
|---|---|---|---|---|
| memhub-0.2.5-py3-none-any.whl | Python 3 | none | any | Details for memhub-0.2.5-py3-none-any.whl |
Total release size: 772.6 kB
Release files / memhub-0.2.5.tar.gz
| Download URL | memhub-0.2.5.tar.gz |
|---|---|
| Size | 449.1 kB |
| Tags | Source |
|
SHA-256 checksum How to use checksums |
47d9e15ef452a8e81f8e44611630579fa6e428a3ce4784e9dcd1cc788985626b
|
|
BLAKE2b-256 checksum How to use checksums |
bca90119b98704bbf28d08cabb91c014ee6b4194f055c0cad14a1f7c73cdd19a
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
No |
| Uploaded via |
twine/7.0.0 CPython/3.12.5
|
Release files / memhub-0.2.5-py3-none-any.whl
| Download URL | memhub-0.2.5-py3-none-any.whl |
|---|---|
| Size | 323.5 kB |
| Tags | Python 3 |
|
SHA-256 checksum How to use checksums |
5c608987aaf1f265816e9087cd8a7079ab8541d2c78138a41da10e275276cf3c
|
|
BLAKE2b-256 checksum How to use checksums |
68aafa6e0c08c3d8a47ab79aee4abcf078e02b064aac5032de0090b5e6f4b347
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
No |
| Uploaded via |
twine/7.0.0 CPython/3.12.5
|
Security for memhub 0.2.5
Provenance
Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.
No provenance found
None of the files in this release were uploaded with provenance metadata.
A note on package security
PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.
To learn more about protecting yourself from malicious actors, visit our package security documentation.