MemOS 2.0: ein Speicher-Betriebssystem für KI-Agenten von MemTensor
Selbstentwickelndes Speicher-Betriebssystem für LLM- und KI-Agenten: ultrapersistenter Speicher, Hybridabruf und aufgabenübergreifende Wiederverwendung von Fertigkeiten mit 35,24 % Token-Einsparungen.
Auf einen Blick
- Was ist das?
- MemOS fasst Speichern, Abrufen und Verwalten des Langzeitgedächtnisses von LLM-Agenten in einer Schicht zusammen, nach Wahl gehostet, selbst gehostet oder lokal. Der Text ordnet die vier Einstiegspunkte, die benchmarkbasierten Selbstauskünfte und die datenschutzrelevanten Unterschiede ein.
- Für wen ist es gedacht?
- MemOS richtet sich an Teams, die Agenten über mehrere Werkzeuge hinweg ein gemeinsames Langzeitgedächtnis geben wollen, ohne die Daten bei einem Anbieter zu parken. Das lokale Plugin mit SQLite bietet dabei die größte Kontrolle, die Cloud-API den geringsten Betriebsaufwand; für eine bloße Gesprächsspiegelung ist der Funktionsumfang aber groß.
- Darf ich es kommerziell nutzen?
- Ja. Apache-2.0 ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 7 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich TypeScript, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
MemOS: ein Speicher-Betriebssystem für Agenten und Sprachmodelle
MemOS bezeichnet sich im README als Memory Operating System für LLMs und KI-Agenten. Der Anspruch ist, Speichern, Abrufen und Verwalten von Langzeitgedächtnis in einer Schicht zu vereinheitlichen, mit kontextbewussten und personalisierten Interaktionen über Wissensdatenbanken, multimodale Inhalte, Werkzeug-Nutzung und Unternehmensanforderungen hinweg. Die Projektbeschreibung nennt dazu 35,24 Prozent gesparte Tokens; das ist eine Selbstauskunft, keine reproduzierbare Messung.
Das Repository ist in TypeScript gehalten, läuft auf dem Standardzweig main und steht unter Apache-2.0. Die Version 2.0 trägt im README den Beinamen Stardust. Auf GitHub zählt die Auswertung rund 11.000 Sterne, über 1.000 Forks und 57 offene Issues; solche Zahlen belegen Aufmerksamkeit, aber keine Stabilität in einer bestimmten Umgebung.
Eine Graph-API für Speichern, Abrufen, Bearbeiten und Löschen
Der Kern ist eine vereinheitlichte Speicher-API: eine Schnittstelle zum Hinzufügen, Abrufen, Bearbeiten und Löschen von Erinnerungen, strukturiert als Graph, einsehbar und editierbar, statt als Blackbox-Embedding-Speicher. Das README hebt multimodale Erinnerungen hervor, also Text, Bilder, Werkzeug-Spuren und Personas, die gemeinsam abgerufen und begründet werden. Dazu kommt die Multi-Cube-Verwaltung, mit der mehrere Wissensdatenbanken als komponierbare Speicherwürfel verwaltet werden, mit Isolierung, kontrolliertem Teilen und dynamischer Zusammenstellung über Nutzer, Projekte und Agenten hinweg.
Zwei Betriebsaspekte sind dokumentiert: die asynchrone Aufnahme über den MemScheduler mit Latenz im Millisekundenbereich und die Korrektur von Erinnerungen über Feedback in natürlicher Sprache, wodurch sich Einträge ergänzen, berichtigen oder ersetzen lassen. Wie die Latenzwerte gemessen wurden, führt das README nicht aus; es benennt die Komponente, aber keine Referenzumgebung.
Die Anbindungen an DeepSeek Harness, OpenClaw und Hermes
Die Neuigkeiten im README zeigen, wo MemOS aktuell integriert wird. Seit Mitte August 2026 lässt sich MemOS über ein lokales oder Cloud-Plugin an DeepSeek Harness anschließen, ohne den Kern von dsh zu verändern. Für OpenClaw meldet das Projekt, dass sich durch MemOS die durchschnittliche Abschlussrate über fünf Agenten-Aufgaben von 36,63 auf 50,87 Prozent verbessert habe; auch das ist eine Selbstauskunft.
Für Hermes Agent und OpenClaw gibt es das memos-local-plugin in Version 2.0, das ein Kernmodell für selbstentwickelndes Gedächtnis über L1-Traces, L2-Richtlinien, L3-Weltmodelle und kristallisierte Skills nutzt, mit lokaler Speicherung und feedbackgetriebenem Abruf. Das lokale Plugin kommt mit SQLite-Persistenz, hybrider Suche aus FTS5 und Vektor-Index, Aufgaben-Zusammenfassung, Skill-Evolution und einem Memory Viewer. Für OpenClaw existiert außerdem ein Cloud-Plugin mit gehostetem Speicherdienst, für den das README 72 Prozent geringeren Token-Verbrauch angibt.
Die Benchmark-Tabelle aus OmniMemEval und ihre Reichweite
Die Leistungstabelle führt zehn Kennzahlen auf, ermittelt über OmniMemEval, eine gemeinsame Auswertung von laut README 14 kommerziellen Speicherprodukten über zehn Datensätze. Genannt werden unter anderem LoCoMo mit 88,83, LongMemEval mit 89,20, HaluMem mit 80,91 und BEAM-10M mit 56,75; ergänzt um PersonaMem v2, GDPVal, LiveCodeBench, OmniMath, SWE-Bench und BrowseComp-Plus.
Diese Werte sind Angaben des Projekts, bezogen auf die Metriken des OmniMemEval-Repositories im Konto MemTensor. Ein Vergleich für die eigene Datenbasis erfordert daher einen eigenen Lauf auf diesem Benchmark. Was die erreichte Platzierung über das README hinaus belegt, lässt sich mit den verlinkten Benchmark-Projekten prüfen; die Auswertungsmethodik selbst wird im README nicht beschrieben.
Vier Einstiegspunkte: Cloud-API, Self-Host, Cloud-Plugin und Local Plugin
Das README führt vier Einstiege auf. Die gehostete Cloud-API verlangt einen Schlüssel ab dem Präfix mpg- und spricht den Endpunkt https://memos.memtensor.cn/api/openmem/v1 an; das gezeigte Python-Beispiel ruft add/message und search/memory mit einem Authorization-Header Token auf. Self-Host läuft über docker compose up und setzt laut README Neo4j und Qdrant voraus. OpenClaw-Nutzer können das Cloud-Plugin über openclaw plugins install einbinden, ohne eigene Infrastruktur.
Wer lokal bleiben will, wählt das Local Plugin mit npm install und agentenspezifischer Einrichtung; die Daten liegen dann auf dem eigenen Gerät in SQLite. Die Tabelle im README ordnet jedem Weg Infrastruktur und Datenhaltung zu: Cloud-API und Cloud-Plugin speichern in MemOS Cloud, Self-Host auf eigenen Servern, das Local Plugin auf dem Gerät. Diese Verteilung prägt die Datenschutzlage, die im README nicht weiter qualifiziert wird.
Das lokale Plugin, die Release-Politik und die Lizenz
Für den Betrieb ist der Grad der Lokalität ausschlaggebend. Das lokale Plugin nennt das README als vollständig auf dem Gerät laufend, mit persistentem SQLite sowie hybrider Suche aus FTS5 und Vektor-Index, und es übernimmt Aufgaben-Zusammenfassung, Skill-Evolution und Mehr-Agenten-Kollaboration. Ein Memory Viewer ist als Dashboard-Komponente genannt; wie er aufgebaut ist, bleibt im README offen.
Der Release-Rhythmus ist dicht: v2.0.32 stammt vom 28. August 2026, dazu kommen Plugin-Versionen wie memos-local-plugin v2.0.18-beta.1 vom selben Tag. Lizenziert ist das Projekt unter Apache-2.0, was Nutzung, Änderung und Verteilung auch in kommerziellen Kontexten erlaubt und eine Patentklausel enthält; eine Gewährleistung übernimmt die Lizenz nicht. Wer eine Roadmap sucht, findet im README keine, die Versionen tragen Beta- und Versionsnummern ohne Ausblick.
Redaktionelles Fazit
MemOS richtet sich an Teams, die Agenten über mehrere Werkzeuge hinweg ein gemeinsames Langzeitgedächtnis geben wollen, ohne die Daten bei einem Anbieter zu parken. Das lokale Plugin mit SQLite bietet dabei die größte Kontrolle, die Cloud-API den geringsten Betriebsaufwand; für eine bloße Gesprächsspiegelung ist der Funktionsumfang aber groß. Vor der Wahl sollte ein eigener Lauf auf OmniMemEval oder ein lokaler Plugin-Test prüfen, welche Selbstauskünfte wie Token-Ersparnis und Abschlussrate in der eigenen Umgebung tragen.
Community-Notizen