LycheeMem
活跃·★ 1.1k·Apache-2.0·更新于 2026-08-06
★ 时下流行★ 记忆与上下文
LycheeMem 是面向大模型智能体的轻量记忆框架。它从高效的对话记忆起步，通过结构化组织、轻量整合和自适应检索，目标是逐步扩展到面向行动的记忆。README 称记忆分为三类存储：工作记忆（会话轮次、摘要和 token 预算管理）、语义记忆（带类型的行动存储）和程序性记忆（技能）。
语义记忆由带类型、带行动标注的记录构成，共 7 种 MemoryRecord 类型，其中 `tool_affordance` 记录工具能做什么、适用于什么场景。存储层是带 FTS5 全文检索的 SQLite 加 LanceDB 向量索引；2026 年 3 月的一条动态说，这种“紧凑”设计取代了对 Neo4j 的依赖。检索之前，行动感知规划器会把查询转成 `SearchPlan`，包含语义查询、关于行动和约束的务实查询、工具提示和可选的时间过滤，结果会跨包括时间通道在内的多个通道合并。README 还提到了记录融合和面向强化学习的使用统计。
使用方式有 Web 演示、API、MCP 服务器或 OpenClaw 插件。安装需要 Python 3.11+ 和大模型 API 密钥（OpenAI、Gemini 或 litellm 支持的任意服务商）：执行 `pip install -e ".[dev]"`，再在 `.env` 里配置模型、API 密钥和嵌入模型。许可证为 Apache 2.0，项目于 2026-03-23 开源，最近一次推送是 2026-08-06。本评测基于 README 和仓库数据，我们没有实际运行过它。
#智能体记忆#langgraph#llm-memory#lychee#lycheemem#MCP 协议#MCP 服务器#MCP 服务器
01
功能特性
01高效对话记忆，具有双阈值token预算管理
02结构化语义记忆，支持7种类型记忆记录和记录融合
03动作感知的搜索规划和多维度相关性评分
04过程性记忆，包括技能库和HyDE检索
05模块化流水线，同步阶段与异步后台整合
02
为什么选择它
+三类记忆存储（工作、语义、程序性），记录带类型并感知行动
+基于 SQLite 和 LanceDB，不需要 Neo4j
+可通过 Web 演示、API、MCP 服务器或 OpenClaw 插件使用
+支持 OpenAI、Gemini 或任意 litellm 服务商，Apache 2.0
03
权衡点
!项目较新，2026 年 3 月才开源，API 可能还会变化
!记忆提取和检索会调用大模型和嵌入模型，带来额外成本
!保存的记忆可能包含敏感对话内容，需要决定 SQLite 和向量文件放在哪里
!面向行动和强化学习的部分被描述为发展方向，请先确认实际已实现哪些
04
兼容性
Python
Python 3.11+
已通过文档验证
OpenClaw
OpenClaw 插件
已通过文档验证
MCP
MCP 协议
已通过文档验证
05
快速开始
1
$ git clone https://github.com/LycheeMem/LycheeMem.git
2
$ cd LycheeMem
3
$ pip install -e ".[dev]"
06
使用场景
↳为基于LLM的代理提供持久化长期记忆
↳具有自适应记忆检索的上下文感知聊天机器人
↳从对话中自动进行记忆整合和技能提取
07
同类工具
收录于以下清单
评论
登录后发表评论
暂无评论，来发表第一条吧