使用示例

基于自研 memos-extractor-0.6b 模型，从对话中抽取事实与偏好记忆。

MemOS 提供记忆抽取接口，基于自研 memos-extractor-0.6b 小模型，开发者可直接传入对话内容，一键提取事实记忆与偏好记忆。

接口字段与 OpenAPI 说明：Extract Memory。
鉴权、Base URL 与调用方式与 MemOS Cloud 快速开始一致。

何时使用记忆抽取模型

记忆抽取接口适用于以下场景：

轻量级记忆提取：无需部署完整的 add/message 流程，直接从对话中提取结构化记忆。
低延迟高频调用：基于 0.6B 自研小模型，适合对延迟敏感、调用频繁的业务场景。
灵活的抽取控制：可按需选择抽取事实记忆、偏好记忆或全部，满足不同业务需求。

工作原理

记忆抽取流程

抽取模型的完整调用流程可分为以下步骤：

数据输入（Data Input）
开发者传入原始对话数据（messages），每条消息包含 role 与 content 字段。
格式化与清洗（Format & Clean Processing）
对话内容经格式化处理，统一为标准格式；同时进行语言检测，识别对话所使用的语言。
任务与语言选择（Task & Language Selector）
根据 extraction_types 与检测到的语言，进入对应的抽取分支：
- Memory Reader：事实记忆抽取
- Explicit Preference：显性偏好抽取
- Implicit Preference：隐性偏好抽取
Prompt 构建（Builder）
将当前分支所需的 Prompt 模板组装为最终推理请求。
API 调用（API Call）
按约定格式请求 memos-extractor-0.6b 模型完成推理。
返回结果（Final Results）
模型返回结构化结果，包含事实记忆列表和/或偏好记忆列表（随请求中的抽取类型而定）。

快速上手

import os, json, requests

os.environ["MEMOS_API_KEY"] = "YOUR_API_KEY"
os.environ["MEMOS_BASE_URL"] = "https://memos.memtensor.cn/api/openmem/v1"

data = {
    "messages": [
        {"role": "system", "content": "从对话中提取关键记忆。"},
        {"role": "user", "content": "我叫张三，28岁，杭州后端，喜欢羽毛球。"},
        {"role": "assistant", "content": "你好张三！"},
        {"role": "user", "content": "回复尽量简洁，别太啰嗦。"},
    ]
}
headers = {"Content-Type": "application/json", "Authorization": f"Token {os.environ['MEMOS_API_KEY']}"}
url = f"{os.environ['MEMOS_BASE_URL']}/extract/memory"
res = requests.post(url, headers=headers, data=json.dumps(data))
print(res.json())

import os, json, requests

os.environ["MEMOS_API_KEY"] = "YOUR_API_KEY"
os.environ["MEMOS_BASE_URL"] = "https://memos.memtensor.cn/api/openmem/v1"

data = {
    "messages": [{"role": "user", "content": "下周三去北京出差，住朝阳全季。"}],
    "extraction_types": ["memory"],
}
headers = {"Content-Type": "application/json", "Authorization": f"Token {os.environ['MEMOS_API_KEY']}"}
url = f"{os.environ['MEMOS_BASE_URL']}/extract/memory"
res = requests.post(url, headers=headers, data=json.dumps(data))
print(res.json())

import os, json, requests

os.environ["MEMOS_API_KEY"] = "YOUR_API_KEY"
os.environ["MEMOS_BASE_URL"] = "https://memos.memtensor.cn/api/openmem/v1"

data = {
    "messages": [
        {"role": "user", "content": "文档用 Markdown，代码块要高亮。"},
        {"role": "assistant", "content": "好的。"},
        {"role": "user", "content": "少用 emoji。"},
    ],
    "extraction_types": ["preference"],
}
headers = {"Content-Type": "application/json", "Authorization": f"Token {os.environ['MEMOS_API_KEY']}"}
url = f"{os.environ['MEMOS_BASE_URL']}/extract/memory"
res = requests.post(url, headers=headers, data=json.dumps(data))
print(res.json())

输出示意

{
  "code": 0,
  "message": "ok",
  "data": {
    "success": true,
    "memory_detail_list": [
      {
        "memory_key": "用户身份与职业",
        "memory_value": "用户张三，28岁，在杭州从事后端开发，喜欢打羽毛球。",
        "memory_type": "UserMemory",
        "tags": ["人物", "职业", "地点", "爱好"]
      }
    ],
    "preference_detail_list": [
      {
        "preference": "希望助理回复尽量简洁，不要过于啰嗦。",
        "reasoning": "用户在对话中明确要求「回复尽量简洁一些，不要太啰嗦」。",
        "preference_type": "explicit_preference"
      }
    ]
  }
}

{
  "code": 0,
  "message": "ok",
  "data": {
    "success": true,
    "memory_detail_list": [
      {
        "memory_key": "出差行程与住宿",
        "memory_value": "用户下周三将去北京出差，计划入住朝阳区全季酒店。",
        "memory_type": "LongTermMemory",
        "tags": ["行程", "差旅", "住宿"]
      }
    ]
  }
}

{
  "code": 0,
  "message": "ok",
  "data": {
    "success": true,
    "preference_detail_list": [
      {
        "preference": "偏好使用带语法高亮的 Markdown 代码块呈现文档内容。",
        "reasoning": "用户明确表示喜欢 Markdown 与代码块高亮。",
        "preference_type": "explicit_preference"
      },
      {
        "preference": "尽量减少 emoji 的使用。",
        "reasoning": "用户直接提出不要用太多 emoji。",
        "preference_type": "explicit_preference"
      }
    ]
  }
}

使用限制

接口输入上限：8,000 tokens。
当前仅支持同步模式，接口将在抽取完成后一次性返回结果。
当前仅支持传入对话文本：messages 中每条消息仅包含 role 与 content；暂不支持多模态输入，也无法通过本接口抽取多模态记忆。

对比 add/message 接口

对比维度	记忆抽取接口	add/message 接口
核心能力	从对话中提取记忆，仅返回结果	写入对话并自动提取、存储记忆
记忆存储	❌ 不写入 MemOS 记忆库	✅ 自动写入 MemOS 记忆库
推理模型	自研 0.6B 小模型，低延迟	MemOS 内置模型
异步模式	暂不支持	✅ 支持
偏好记忆	✅ 支持（显性 + 隐性）	✅ 支持
工具记忆 / 技能	❌ 不支持	✅ 支持
典型使用场景	独立的记忆分析 / 预处理 / 质量评估	完整的对话记忆管理