Mémoire à Vie Efficace pour les Agents LLM

Stockez, compressez et récupérez des mémoires à long terme grâce à la compression sémantique sans perte. Compatible avec Claude, Cursor, LM Studio et bien d'autres.

Fonctionne avec toute plateforme d'IA supportant MCP ou l'intégration Python

Claude Desktop

Cursor

LM Studio

Cherry Studio

Paquet PyPI

+ Tout Client MCP

🇨🇳 中文 • 🇯🇵 日本語 • 🇰🇷 한국어 • 🇪🇸 Español • 🇫🇷 Français • 🇩🇪 Deutsch • 🇧🇷 Português
🇷🇺 Русский • 🇸🇦 العربية • 🇮🇹 Italiano • 🇻🇳 Tiếng Việt • 🇹🇷 Türkçe

Aperçu • Démarrage Rapide • Serveur MCP • Évaluation • Citation

• [02/09/2026] 🚀 Mémoire Cross-Session disponible - 64% plus performant que Claude-Mem ! SimpleMem prend désormais en charge la mémoire persistante entre les conversations. Sur le benchmark LoCoMo, SimpleMem atteint une amélioration de 64% par rapport à Claude-Mem. Vos agents peuvent maintenant se souvenir automatiquement du contexte, des décisions et des apprentissages des sessions précédentes. Voir Documentation Cross-Session →
• [01/20/2026] SimpleMem est maintenant disponible sur PyPI ! 📦 Installez directement via pip install simplemem. Voir le Guide d'Utilisation →
• [01/19/2026] Stockage de mémoire locale ajouté à SimpleMem Skill ! 💾
• [01/18/2026] SimpleMem supporte maintenant Claude Skills ! 🚀 Utilisez SimpleMem dans claude.ai pour une mémoire à long terme entre les conversations.
• [01/14/2026] Le serveur MCP SimpleMem est EN LIGNE et Open Source ! 🎉 Service de mémoire cloud sur mcp.simplemem.cloud. Voir la Documentation MCP →
• [01/08/2026] 🔥 Rejoignez notre Discord et groupe WeChat !
• [01/05/2026] L'article SimpleMem a été publié sur arXiv !

SimpleMem atteint un score F1 supérieur (43.24%) avec un coût minimal en tokens (~550).

SimpleMem est un cadre de mémoire efficace basé sur la compression sémantique sans perte qui répond au défi fondamental de la mémoire à long terme efficace pour les agents LLM. Contrairement aux systèmes existants, SimpleMem maximise la densité d'information et l'utilisation des tokens à travers un pipeline en trois étapes :

git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem
pip install -r requirements.txt
cp config.py.example config.py

from main import SimpleMemSystem

system = SimpleMemSystem(clear_db=True)
system.add_dialogue("Alice", "Bob, let's meet at Starbucks tomorrow at 2pm", "2025-11-15T14:30:00")
system.add_dialogue("Bob", "Sure, I'll bring the market analysis report", "2025-11-15T14:31:00")
system.finalize()

answer = system.ask("When and where will Alice and Bob meet?")
print(answer)

🌐 Service Cloud : mcp.simplemem.cloud

{
  "mcpServers": {
    "simplemem": {
      "url": "https://mcp.simplemem.cloud/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_TOKEN"
      }
    }
  }
}

📖 Documentation MCP

python test_locomo10.py
python test_locomo10.py --num-samples 5

@article{simplemem2025,
  title={SimpleMem: Efficient Lifelong Memory for LLM Agents},
  author={Liu, Jiaqi and Su, Yaofeng and Xia, Peng and Zhou, Yiyang and Han, Siwei and  Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu},
  journal={arXiv preprint arXiv:2601.02553},
  year={2025},
  url={https://github.com/aiming-lab/SimpleMem}
}

Ce projet est sous Licence MIT - voir le fichier LICENSE.

• 🔍 Modèle d'Embeddings : Qwen3-Embedding
• 🗄️ Base de Données Vectorielle : LanceDB
• 📊 Benchmark : LoCoMo