memUOpen-Source-Agentic-Memory-Framework für 24/7 proaktive KI-Agenten mit Dateisystem-Speicher, Intentionserkennung und geringeren Token-Kosten.

4.8 (4)

Geprüft von Daniel Nikulshyn·Aktualisiert Juli 2026

Open Source AI Agents Memory Framework Developer Tools Agentic AI Automation LLM

Übersicht

Agentic-Memory-Framework, das menschliche Interaktionen, Dokumente, Bilder, Audio, URLs, Logs und lokale Dateien im Speicher als Index-, Skill- und Memory-Ebenen (Ordner/Kategorien), Dateien (Items), Quellartefakte, Links, Zusammenfassungen und Einbettungen speichert. Agenten durchlaufen diesen zusammengestellten Arbeitsbereich und extrahieren Profile, Ereignisse, Wissen, Verhalten, Fähigkeiten und Tool-Speicher aus rohen Quellen. Anschließend werden wiederverwendbare Muster und Workflows automatisch aus Toolspuren erstellt und kontinuierlich bei jedem memorize()-Aufruf verfeinert, anstatt sie neu zu lernen. Unterstützt Speicher-Backends in-Memory, SQLite oder PostgreSQL (verweis auf URLs: src/tree.py), SQLite oder PostgreSQL (Standard: In-Memory). Benutzte ASTLib-Bibliotheken: astroid & cProto. Kernfunktionen: Multi-Memory-Organisation, Agentenspezifische Intent-Erkennung, benutzerdefiniertes Skill-Lernen und mehrspurige, historienbasierte Erinnerungsfunktion.

Hauptfunktionen

Multimodale Aufnahme von Gesprächen, Dokumenten, Bildern, Videos, Audio, URLs und Logs
Zusammengefasster Memory-Arbeitsbereich mit Persistenz von Index-, Skill- und Memory-Ebenen
Typisierte Speicherextraktion aus Rohdaten
Selbstentwickelnde Fähigkeiten durch automatische Extraktion wiederverwendbarer Tool-Muster und Workflows
Selbstorganisierende Ordner mit automatischem Aufbau von Kategorien, Links, Zusammenfassungen und Einbettungen

Preise

Modell: Freemium
Kategorie: AI Agent Development Frameworks
Bewertung: 4.8 / 5 (4)

Anwendungsfälle

24/7 Proaktive KI-Agenten entwickeln

Verwenden Sie memU als Speicher-Layer für immer eingeschaltete Agenten, die Kontext über Sessions hinweg behalten und proaktiv handeln, ohne ständige Benutzereingabe.

LLM-Token-Kosten reduzieren

Nutzen Sie den dateisystembasierten Speicher, um Kontext aus Prompts zu entladen, wodurch Token-Verbrauch und Betriebskosten für LLM-gestützte Anwendungen gesenkt werden.

Intentionserkennende Assistenten

Integrieren Sie Intentionserkennung, damit Agenten Benutzerbedürfnisse voraussehen und relevante Aktionen oder Informationen frühzeitig bereitstellen.

Individuelle Agentenentwicklung

Nutzen Sie das Open-Source-Framework, um maßgeschneiderte agentische Systeme mit persistentem, strukturiertem Speicher zu prototypisieren und einzusetzen.

Pro & Contra

Pro

Schnelle Abrufung durch Traversieren einer baumähnlichen Speicherorganisation
Höhere Genauigkeit dank scopes kontextualisierten und exakten Gesprächs- oder Dokumentenverfolgung
Geringere Token-Kosten, da lange Historien nicht in jeden Prompt erneut eingespeist werden
Menschlich lesbare Speicherorganisation, die Audits und Bearbeitungen ermöglicht

Contra

Bewertungen

4.8

Durchschnitt aus 4 Bewertungen.

Melde dich an, um eine Bewertung abzugeben.

Liam O’Connor

Feb 1, 2026

Solid for our team

We rolled this out across the team last quarter and the value for money is strong. The core workflow fits neatly into how we already work, and the core workflow removed a step we used to do by hand. The mobile experience lags, which is the main caveat, but it has held up under daily use.

Gunnar Eriksson

Nov 8, 2025

Years in this space

I've evaluated a lot of these over the years. What stands out here is the core workflow — handled better than most — and it saves real time. Worth the time if this is your use case.

Hannah Goldberg

Sep 21, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on the automation, and the value for money is strong caught me off guard. Pricing gets steep at scale is why this isn't a perfect score, still, I'd recommend giving it a real trial.

Pierre Dubois

Jul 14, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on the API, and support is responsive caught me off guard. still, I'd recommend giving it a real trial.

Fragen & Antworten

How does memU help lower token costs?

memU uses a file-system memory approach combined with intention prediction, which lets agents store and retrieve context efficiently rather than reprocessing large prompts—helping reduce the tokens consumed during ongoing agent operations.

Is memU open source, and who is it best suited for?

Yes, memU is open-source. It is best suited for developers and teams building proactive, always-on AI agents that need persistent memory, predictive intent handling, and cost-efficient token usage.

What is memU and what is it designed for?

memU is an open-source agentic memory framework built for 24/7 proactive AI agents. It provides file-system-based memory, intention prediction, and is designed to reduce token costs in long-running agent workflows.