Skip to content

README.ru.md

Latest commit

 

History

History
248 lines (184 loc) · 10.4 KB

README.ru.md

File metadata and controls

248 lines (184 loc) · 10.4 KB
simplemem_logo

Эффективная Пожизненная Память для LLM-Агентов

Хранение, сжатие и извлечение долгосрочных воспоминаний с помощью семантического сжатия без потерь. Работает с Claude, Cursor, LM Studio и другими.

Работает с любой AI-платформой, поддерживающей MCP или интеграцию с Python

Claude Desktop
Claude Desktop 		Cursor
Cursor 		LM Studio
LM Studio 		Cherry Studio
Cherry Studio 		PyPI
Пакет PyPI 		+ Любой MCP-
клиент

🔥 Новости

  • [02/09/2026] 🚀 Кросс-сессионная память доступна - на 64% лучше Claude-Mem! SimpleMem теперь поддерживает постоянную память между разговорами. В бенчмарке LoCoMo SimpleMem достигает улучшения на 64% по сравнению с Claude-Mem. Ваши агенты теперь могут автоматически вспоминать контекст, решения и знания из предыдущих сессий. Документация Cross-Session →
  • [01/20/2026] SimpleMem теперь доступен на PyPI! 📦 Установите через pip install simplemem. Руководство по использованию пакета →
  • [01/18/2026] SimpleMem теперь поддерживает Claude Skills! 🚀
  • [01/14/2026] MCP-сервер SimpleMem запущен и является Open Source! 🎉 Облачный сервис памяти на mcp.simplemem.cloud. Документация MCP →
  • [01/05/2026] Статья SimpleMem опубликована на arXiv!

🌟 Обзор

Компромисс производительности и эффективности

SimpleMem достигает лучшего показателя F1 (43.24%) при минимальных затратах токенов (~550).

SimpleMem — это эффективный фреймворк памяти на основе семантического сжатия без потерь, решающий фундаментальную задачу эффективной долгосрочной памяти для LLM-агентов. SimpleMem максимизирует плотность информации и утилизацию токенов через трёхэтапный конвейер:

🔍 Этап 1

Семантическое Структурированное Сжатие

Дистиллирует неструктурированные взаимодействия в компактные единицы памяти с мультиракурсной индексацией

🗂️ Этап 2

Онлайн Семантический Синтез

Мгновенно интегрирует связанный контекст в унифицированные абстрактные представления для устранения избыточности

🎯 Этап 3

Планирование Извлечения с Учётом Намерений

Определяет поисковое намерение для динамического определения области извлечения
Архитектура SimpleMem

🏆 Сравнение Производительности

Модель ⏱️ Построение 🔎 Извлечение ⚡ Итого 🎯 Средний F1
A-Mem 5140.5s 796.7s 5937.2s 32.58%
LightMem 97.8s 577.1s 675.9s 24.63%
Mem0 1350.9s 583.4s 1934.3s 34.20%
SimpleMem ⭐ 92.6s 388.3s 480.9s 43.24%

📦 Установка

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

⚡ Быстрый Старт

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)

🔌 MCP Сервер

🌐 Облачный сервис: mcp.simplemem.cloud

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

📖 Документация MCP

📊 Оценка

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

📝 Цитирование

@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}
}

📄 Лицензия

Проект распространяется под лицензией MIT — см. файл LICENSE.

🙏 Благодарности