用途：GAM（General Agentic Memory）是面向大语言模型的模块化智能体文件系统框架，为 AI 智能体提供结构化记忆与运行环境，支持文本、视频和长周期智能体轨迹三类任务。
主要能力：基于 LLM 的语义文本分块；为每个分块生成结构化记忆摘要（Memory + TLDR）；按分类法自动生成层级目录结构；支持增量追加内容而无需重建；多模态支持文本、视频与智能体轨迹；可对接 OpenAI、SGLang 等推理后端。
使用方式：安装可执行 pip install -e ".[all]"（完整）或 pip install -e .（最小）。通过环境变量配置，如 GAM_API_KEY、GAM_MODEL、GAM_API_BASE，聊天侧可用 GAM_CHAT_API_KEY、GAM_CHAT_MODEL、GAM_CHAT_API_BASE。Python SDK 中 Workflow 类提供最简接口，task_type 可选 text、video、long-horizon，用 wf.add(input_file=...) 添加内容，wf.request(...) 查询并返回 answer 与 sources。CLI 提供 gam-add 与 gam-request，常用参数包括 --type、--gam-dir、--input、--question、--model、--api-key、--api-base。REST API 通过 gam.api 的 create_app 启动，端点有 POST /add、POST /request、GET /health、GET /docs、GET /redoc。Web 界面可用 python examples/run_web.py 启动。
适用场景：多文档知识库构建与跨文档查询、智能体执行轨迹压缩与检索、视频内容分析与基于时间的查询、自定义记忆组织与层级深度控制。
限制：视频处理需安装完整依赖并确保 ffmpeg 可用；大文档记忆构建耗时较长，建议构建用较强模型、查询用较轻模型；需正确配置 API 密钥与模型名称，否则会出现认证或模型未找到错误；GAM 目录结构损坏或未先执行 add 会导致查询为空。研究实现位于 research 目录，可安装 gam_research 使用 MemoryAgent 与 ResearchAgent。具体收费与价格信息暂未提供。