• [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 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 :

🔍 Étape 1 Compression Structurée Sémantique Distille les interactions non structurées en unités de mémoire compactes avec indexation multi-vue

🗂️ Étape 2 Synthèse Sémantique en Ligne Intègre instantanément le contexte connexe en représentations abstraites unifiées pour éliminer la redondance

🎯 Étape 3 Planification de Récupération Consciente de l'Intention Infère l'intention de recherche pour déterminer dynamiquement la portée de récupération

---

---

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