Memsix 参考reme实现的长期记忆（Long-Term Memory）SDK，基于 Java 17 实现。 它通过文件存储和向量检索技术，为智能体提供跨会话的持久化记忆能力，让智能体能够记住用户偏好、历史对话事实等关键信息， 从而在对话中表现出更连贯、个性化的行为。
Memsix 实现了 AgentScope 的 LongTermMemory 接口，可以无缝集成到 AgentScope 的智能体工作流中。
- 优化文件存储模式，解决记忆重复问题。
- 增加向量搜索功能，提升检索效率和准确性。
- 支持es向量库，提供更高效的向量存储和检索能力。
- 优化提示词，解决部分记忆膨胀问题。
- 筹备独立部署版本和docker镜像.
- 初始版本，支持文件存储模式的长期记忆功能，并提供了 AgentScope 集成的实现类 MemSixForAgentScopeLongTermMemory。
- 支持文件系统和mysql存储两种模式，向量搜索功能处于测试阶段，暂未正式发布。
- 存在记忆重复问题。
- 文件存储模式：将记忆数据持久化到本地文件系统，支持自定义工作目录和工作空间（workspace），方便多用户隔离管理。
- 向量搜索支持：可选配置嵌入模型，将文本转化为向量并存储，实现基于语义的相似记忆检索，提升记忆召回的准确性。
- 集成 AgentScope：提供 MemSixForAgentScopeLongTermMemory 类，直接实现 AgentScope 的 LongTermMemory 接口，可作为智能体的长期记忆组件使用。
- 向量库的支持：筹备中，计划支持多种向量数据库（如 ES、PGVector 等），提供更高效的向量存储和检索能力。
- 独立部署及docker部署：筹备中，计划提供独立部署的服务版本，并提供docker镜像，方便用户在不同环境中使用。
jar包已经上传到maven中央仓库。 https://search.maven.org/search?q=memsix ，groupId为cn.pomit。
<dependency>
<groupId>cn.pomit</groupId>
<artifactId>memsix</artifactId>
<version>0.0.1</version>
</dependency>配置MemSixConfig，交给MemSixForAgentScopeLongTermMemory，MemSixForAgentScopeLongTermMemory实现了AgentScope的LongTermMemory接口：
String llmModelName = "qwen3-max-preview";
String llmBaseUrl = "https://xxx";
String llmApiKey = "xxxx";
String embeddingModelName = "Qwen3-Embedding-0.6B";
String embeddingBaseUrl = "https://xxx";
String embeddingApiKey = "xxx";
MemSixConfig memSixConfig = MemSixConfig.fileMode()
.workDirectory("./memsix")
.workspaceId("meimei_sunday")
.chatModelConfig(ChatModelConfig.builder().apiKey(llmApiKey)
.baseUrl(llmBaseUrl)
.modelName(llmModelName)
.build())
.enableVectorSearch(true)
.embedModelConfig(EmbedModelConfig.builder()
.modelName(embeddingModelName)
.baseUrl(embeddingBaseUrl)
.apiKey(embeddingApiKey)
.build())
.build();
MemSixForAgentScopeLongTermMemory longTermMemory = new MemSixForAgentScopeLongTermMemory(memSixConfig);以上配置中
fileMode()会在当前目录下创建一个memsix文件夹（可配置），作为工作目录。支持bm25 + 向量 混合检索。mysqlMode()使用jdbcTemplate操作mysql数据库进行全文检索。支持全文检索+ 向量 混合检索。workspaceId指定了工作空间id（可用以区分用户）- 聊天模型配置必填。
- 向量搜索配置可选，如果需要使用向量搜索，必须提供向量搜索模型的配置。
mysql模式需要表支持，默认表结构：
CREATE TABLE `agent_user_memory` (
`id` bigint(20) NOT NULL AUTO_INCREMENT,
`content` longtext COLLATE utf8mb4_unicode_ci NOT NULL COMMENT '记忆内容',
`workspace_id` varchar(32) COLLATE utf8mb4_unicode_ci NOT NULL COMMENT '用户标识',
`tag` varchar(255) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '分类标识',
`embeddings` text COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '向量',
`create_time` datetime NOT NULL DEFAULT current_timestamp() COMMENT '创建时间',
`update_time` datetime NOT NULL DEFAULT current_timestamp() ON UPDATE current_timestamp() COMMENT '更新时间',
PRIMARY KEY (`id`),
UNIQUE KEY `agent_user_memory_workspace_id_IDX` (`workspace_id`,`tag`) USING BTREE,
FULLTEXT KEY `agent_user_memory_content_IDX` (`content`)
) ENGINE=InnoDB AUTO_INCREMENT=10 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci注意：
- 需要有唯一索引进行表的更新和插入操作，
workspace_id和tag的组合作为唯一索引，确保同一工作空间下相同标签的记忆只能有一条记录。 - 可以通过自定义summarySqlTemplate和dailySqlTemplate修改为自定义SQL.
- useOneTableMode为true时，表示summary和daily用同一个表。daily无需额外配置。
调用方法
直接放到AgentScope的longTermMemory调用链中：
.longTermMemory(longTermMemory)
示例：
// 注册数据库更新工具
ReActAgent agent = ReActAgent.builder()
.name(memSixConfig.getWorkspaceId() + "的长期记忆助理")
.sysPrompt("你是有帮助的AI助理。")
.model(OpenAIChatModel.builder()
.apiKey(llmApiKey)
.baseUrl(llmBaseUrl)
.generateOptions(GenerateOptions.builder()
.temperature(0.7)
.build())
.stream(true)
.modelName(llmModelName)
.build())
.maxIters(10)
.longTermMemory(longTermMemory)
.build();memsix使用 Apache License 2.0 协议.
个人网站：https://www.pomit.cn
作者邮箱： pomitcn@163.com/916881512@qq.com
Apache License V2