memU 体系化教程（目录）

文档摘要

memU 体系化教程

从零理解 AI 智能体记忆管理原理，并用 memU 完成「原始数据 → 结构化记忆 → 分层检索 → 智能体注入」全流程。

配套库：memU（NevaMind-AI 开源，PyPI 包名 memu-py）

阅读顺序

序号	章节	关键词
00	项目导览与学习路线	心智模型、学习路线
01	环境准备与首次跑通	5 分钟写入第一条记忆
02	智能体记忆核心概念	工作区、三层架构
03	数据模型详解	Resource、Item、Category
04	MemoryService 初始化	配置、作用域
05	memorize 写入流水线	摄入、提取、组织
06	retrieve 检索策略	RAG、LLM 双模式
07	多模态记忆摄入	对话、文档、图片、音视频
08	存储后端与 LLM 路由	持久化、多 Provider
09	智能体集成	LangGraph、云端 API
10	工程实践与进阶	导出、调优、生态
A	术语表	25+ 记忆系统术语
B	API 速查表	核心接口参数
C	常见报错与排查	报错对照表

适合谁读

正在构建带「长期记忆」的聊天机器人或 AI 助手的开发者。
需要把对话、文档、工具日志统一沉淀为可检索上下文的智能体工程师。
想搞懂 memU 在算什么、和 mem0 / 传统 RAG 有何不同、怎么落地的读者。

学习心法

先建立「写入 → 组织 → 分层读取」的心智模型，再调 API。 智能体记忆不是把聊天记录塞进向量库——不理解 Resource / Item / Category 三层，检索结果会「有但用不对」。每章末尾的「动手实验」务必动手做。

快速开始


pip install memu-py
export OPENAI_API_KEY=your_key


import asyncio
from memu import MemoryService

async def demo():
    service = MemoryService(
        llm_profiles={"default": {"api_key": "your_key"}},
        database_config={"metadata_store": {"provider": "inmemory"}},
        retrieve_config={"method": "rag"},
    )
    await service.memorize(
        resource_url="https://example.com/meeting-notes.txt",
        modality="document",
    )
    ctx = await service.retrieve(
        queries=[{"role": "user", "content": {"text": "会议里定了什么？"}}],
    )
    for item in ctx.get("items", [])[:3]:
        print(item["summary"])

asyncio.run(demo())

祝探索愉快。