Speichern, komprimieren und abrufen von Langzeitgedächtnis durch semantische verlustfreie Kompression. Kompatibel mit Claude, Cursor, LM Studio und mehr.
Funktioniert mit jeder KI-Plattform, die MCP oder Python-Integration unterstützt
Claude Desktop |
Cursor |
LM Studio |
Cherry Studio |
PyPI-Paket |
+ Jeder MCP- Client |
🇨🇳 中文 •
🇯🇵 日本語 •
🇰🇷 한국어 •
🇪🇸 Español •
🇫🇷 Français •
🇩🇪 Deutsch •
🇧🇷 Português
🇷🇺 Русский •
🇸🇦 العربية •
🇮🇹 Italiano •
🇻🇳 Tiếng Việt •
🇹🇷 Türkçe
Überblick • Schnellstart • MCP-Server • Bewertung • Zitation
- [02/09/2026] 🚀 Cross-Session Memory ist da - 64% besser als Claude-Mem! SimpleMem unterstützt jetzt persistenten Speicher über Gespräche hinweg. Im LoCoMo-Benchmark erreicht SimpleMem eine 64% Leistungssteigerung gegenüber Claude-Mem. Ihre Agenten können nun automatisch Kontext, Entscheidungen und Erkenntnisse aus vorherigen Sitzungen abrufen. Cross-Session Dokumentation →
- [01/20/2026] SimpleMem ist jetzt auf PyPI verfügbar! 📦 Installieren Sie direkt mit
pip install simplemem. Paket-Nutzungsanleitung → - [01/18/2026] SimpleMem unterstützt jetzt Claude Skills! 🚀
- [01/14/2026] SimpleMem MCP-Server ist LIVE und Open Source! 🎉 Cloud-Gedächtnisdienst unter mcp.simplemem.cloud. MCP-Dokumentation →
- [01/05/2026] SimpleMem-Paper wurde auf arXiv veröffentlicht!
SimpleMem erreicht einen überlegenen F1-Score (43.24%) bei minimalen Token-Kosten (~550).
SimpleMem ist ein effizientes Gedächtnis-Framework basierend auf semantischer verlustfreier Kompression, das die grundlegende Herausforderung des effizienten Langzeitgedächtnisses für LLM-Agenten angeht. SimpleMem maximiert Informationsdichte und Token-Nutzung durch eine dreistufige Pipeline:
|
Semantische Strukturierte Kompression Destilliert unstrukturierte Interaktionen in kompakte, multi-view-indexierte Gedächtniseinheiten |
Online Semantische Synthese Integriert verwandten Kontext sofort in einheitliche abstrakte Darstellungen zur Eliminierung von Redundanz |
Intentionsbewusste Abrufplanung Leitet Suchintention ab, um den Abrufumfang dynamisch zu bestimmen und präzisen Kontext effizient zu konstruieren |
| Modell | ⏱️ Aufbauzeit | 🔎 Abrufzeit | ⚡ Gesamtzeit | 🎯 Durchschn. 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% |
git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem
pip install -r requirements.txt
cp config.py.example config.pyfrom 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)| 📈 +411% LoCoMo F1 |
📈 +214% Mem-Gallery F1 |
⚡ 5.81 q/s 3.5x faster |
🧠 4 modalities Text · Image · Audio · Video |
📖 Full documentation: Omni-SimpleMem →
🌐 Cloud-Dienst: mcp.simplemem.cloud
{
"mcpServers": {
"simplemem": {
"url": "https://mcp.simplemem.cloud/mcp",
"headers": {
"Authorization": "Bearer YOUR_TOKEN"
}
}
}
}- Omni cross-session memory
- Omni MCP server
- Omni Docker support
- Omni PyPI package
- Streaming ingestion
- Multi-agent memory sharing
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}
}Dieses Projekt steht unter der MIT-Lizenz - siehe LICENSE.
- 🔍 Embedding-Modell: Qwen3-Embedding
- 🗄️ Vektordatenbank: LanceDB
- 📊 Benchmark: LoCoMo