文章摘要
当前AI Agent记忆系统存在无法跨场景迁移、缺乏通用性等问题，研究团队推出MindMemOS操作层解决这些痛点。它将记忆解耦，采用三维结构建模，提供两条记忆生成路径，设计多层级检索方案。其Dreaming模块可离线整理记忆，还支持用户反馈。该系统还能实现Skill演进，在多项测试中表现良好，已应用于LLM4AD_Next平台，未来还有更多功能待推出。

当前AI Agent的能力边界正在不断拓展，但在实际使用中仍存在一个普遍的体验痛点：每当切换不同的Agent实例或是开启新的会话，用户都需要像面对一位全新的员工一样，重新介绍项目背景、说明个人偏好，过往的协作经验和踩坑记录完全无法复用，只能从头开始培养Agent对用户的认知。

这类体验问题的核心，其实是当前AI Agent的记忆系统存在四大致命困境：

  • 记忆无法跨场景迁移：记忆依附于单个Agent的私有实现，无法在不同应用和框架之间复用
  • 记忆视角缺乏通用性：不同业务场景关注的实体、属性和提取规则差异极大，固定模板难以适配多样需求
  • 记忆系统无法进化：记忆的提取、检索和组织策略在开发完成后基本固化，无法从真实使用和用户反馈中持续迭代优化
  • 缺少时间维度支撑：系统只能记录当前事实，无法追踪事实的变化过程、旧状态被新状态替代的完整演化轨迹

针对这些痛点，相关研究团队推出了面向AI Agent的可迁移、自演进记忆操作层MindMemOS，旨在从根本上解决Agent记忆的复用性、适配性、成长性和时序性问题。

MindMemOS的核心设计思路是将记忆从单个Agent中解耦，不再让记忆成为Agent的附属缓存，而是作为独立的可复用资产存在。其记忆建模采用实体、属性、时间的三维结构，能够同时保存最新状态和完整的演化轨迹：

  • 实体（Entity）：指代人、项目、文件、工具、组织等持续存在的对象
  • 属性（Property）：记录对象的事实、偏好、状态和高阶特征
  • 时间（Time）：标注属性生效的时间区间以及发生变化的节点

这种结构不再把“用户从前偏好X”和“现在改用Y”当成两段互不相干的文本，而是将它们整合到同一实体、同一属性的时间轴上，同时支持实体之间建立语义关联，完整追踪每个属性的演变过程。

在此基础上，MindMemOS提供了两条互补的记忆生成路径：

一条是MindVanilla模式，该模式不需要预先定义建模模板，可以直接接收对话、文本和工具执行轨迹，适合快速将开放域信息接入统一记忆库，适用于多场景的快速信息录入。

另一条是MindSchema模式，系统会先通过实体建模明确当前场景需要关注的实体和属性，再完成话题片段切分、属性级记忆生成、等价实体融合和图结构合并。用户可以灵活调整记忆提取规则的种子，让同一套系统适配不同任务，无需重写整个记忆基础设施。

在记忆检索环节，MindMemOS没有采用单一的向量相似度匹配，而是设计了多层级的Compact Search方案：外层的Agentic模块负责分析用户查询、规划检索路径并判断信息充足度；内层工具则支持从实体到属性、反向从属性查实体、多跳关系扩展以及属性时间线追踪等多路径搜索，最终在记忆图中找到覆盖信息最全面、路径最直接的答案来源，而非单纯匹配语义相似的文本片段。

人类的记忆会在回顾中自动整理合并冗余信息、淘汰过时认知，MindMemOS的Dreaming模块正是复刻了这一过程。它会在离线阶段基于未整理的记忆，围绕相关实体扩展局部范围，识别内容重复、事实冲突和属性演化关系，进而执行合并冗余条目、归档被新事实替代的旧记忆、补充实体关联或是提炼高阶模式等操作，将冲突判断和记忆整理从每次回答的临场推理前移为持久的记忆状态，避免让语言模型承担额外的判断压力。

举个直观的例子，在MemoryAgentBench的测试中，当两条冲突事实被先后写入时，未经过Dreaming的检索会同时返回两条内容，导致回答模型受干扰选择旧答案；而Dreaming阶段会识别出替代关系，归档旧版本并保留supersedes关联，后续检索只会返回当前有效的事实。测试数据显示，Dreaming在将约19.4%-23.5%的活跃记忆转入归档（归档内容不会被主动召回）的同时，将问答准确率最高提升了10.3个百分点，实现了“少即是多”的优化效果。

除了主动的离线整理，MindMemOS还支持用户的显式和隐式反馈，让交互中的纠错信号反哺记忆系统。用户既可以直接用自然语言指出记忆错误，也可以通过后续对话表达不满、修正偏好或是补充新的信息。系统会自动判断这些信号的属性：是临时任务信息、特定场景偏好，还是适合长期留存的通用规律，并据此执行新增、更新、归档、删除或是强化相关记忆的操作。

例如用户最初只说偏好临时约见，系统最初只会记录表层信息，在Top-10召回结果中仅能找到一条模糊相关的记忆，最终给出了结构化群体活动的错误推荐；而通过多轮交互的Feedback，系统会挖掘出背后的深层逻辑——用户偏好临时安排是因为担心长期计划有变，同时补充了社交场景的边界，最终三条一致的社交规划记忆进入Top-10召回列表，答案也转向正确的“自发一对一活动”。

如果说事实和偏好让Agent更懂用户，那么Skill则决定了Agent能否将过往经验转化为可复用的能力。MindMemOS将Skill作为记忆系统的核心应用之一，提供云端Skill注册、版本管理、同步和回滚能力，通过统一的Memory Add接口收集真实任务执行轨迹。不同的Agent框架只需在轨迹中附带对应的Skill上下文，系统就能将执行结果绑定到对应版本的Skill中。

当积累足够多的任务轨迹后，系统会自动完成全流程的Skill演进：如果没有任务评分，系统会通过无监督学习（MindEvolve-Unsup）从成功和失败轨迹中提炼通用规则；如果有评分，则会强化高分轨迹中的有效行为，抑制低分轨迹中的常见错误（MindEvolve-Sup）。

在包含400个真实表格操作任务的SpreadsheetBench-Verified测试中，研究团队进行了三次重复实验，结果显示一个颇有意思的现象：未经优化的初始Skill甚至比无Skill方案表现更差，因为过时、冗余或不适配任务分布的操作指南反而会带来干扰。而经过MindMemOS的无监督演进后，任务成功率从51.3%提升到55.3%；加入任务评分的监督式演进后，成功率进一步达到57.2%±2.4%，相比No-skill方案提升5.9个百分点，相比初始Skill提升9.2个百分点。

初始的表格Skill仅包含基础的openpyxl、pandas使用说明，但未覆盖真实任务中的常见坑点，比如公式不会被openpyxl自动重算、格式化空行会让ws.max_row虚高、在活动工作表上一边读取一边写入可能移动行或覆盖源数据，保存成功也不代表结果已经通过验证。无监督演进会将这些踩坑经验转化为可执行的约束，比如不要把公式文本当作数值、筛选排序前先构造稳定快照、保存后必须重新复核文件；而监督式演进则进一步明确规则的适用边界，比如不会为了通过缓存值检查而粗暴替换公式，写入复杂工作簿前先确认源列和目标列的映射关系。最终，Skill不再是一份写完就不动的提示词文件，而是成为一项带版本、带证据、可持续更新的长期能力资产。

除了Dreaming与Skill演进，MindMemOS还在两项主流长期记忆基准上评估了基础记忆能力。在包含10组超长多会话对话的LoCoMo测试中，使用gpt-4.1-mini作为回答模型的MindMemOS-Modeling方案Overall Accuracy达到94.03%，位列所有对比方法之首；在面向长期个性化的PersonaMem测试中，MindMemOS-MindSchema方案的准确率达到70.63%，MindMemOS-MindVanilla也以67.74%的成绩优于基线模型。这些结果证明，结构化的三维记忆建模不仅能让记忆看起来更整齐，更能在长期事实召回、用户画像构建和个性化推断中带来可量化的性能提升。

MindMemOS在架构上实现了Agent接入层、记忆算法层和记忆结构层的解耦，目前开源代码提供了FastAPI HTTP接口、Python SDK、CLI、Skills以及OpenClaw插件等多种接入方式，覆盖了记忆的新增、检索、更新、删除、反馈和Dreaming等完整生命周期操作。这种解耦带来的核心价值是记忆的可迁移性：记忆不再绑定于单个Agent的私有实现，而是可以作为用户、项目或组织独立维护的长期资产，在不同应用和Agent框架之间复用。

开发者既可以本地部署完整服务，也可以通过云端API、SDK或CLI快速接入，项目采用MIT开源协议，详细的部署配置和评测流程均已随代码公开。此外，MindMemOS的云服务现已开放注册，在GitHub点亮Star还可获得更多使用额度，项目官网也提供了详细的使用指南。

MindMemOS还被应用于自动算法设计平台LLM4AD_Next，解决了算法搜索过程中经验无法复用的痛点。该平台构建了三层记忆架构：

  • 任务记忆（Task Memory）：动态捕捉并提炼当前算法设计任务中的即时灵感与失败教训
  • 项目记忆（Project Memory）：深度沉淀特定应用场景下的专家共识与先验知识
  • 全局记忆（Global Memory）：固化跨项目、普适性的底层算法设计规范与基本范式

基于该架构，平台能够将从高分结果中提炼的“有效经验”与从低分试错中总结的“避坑指南”进行系统化存储。为了适配复杂多变的科研场景，系统支持Auto Mode和Manual Mode两种记忆调度方式：Auto Mode会根据当前任务和上下文自动匹配历史经验，Manual Mode则允许研究人员精确选择需要注入的记忆。记忆的调用、注入和流转全程可视化，方便研究人员观测经验对算法生成的影响，开展消融实验和对照分析。

在MindMemOS的赋能下，LLM4AD_Next的算法搜索不再是孤立的尝试，而是可以持续积累经验的迭代过程。目前该平台已开放体验，欢迎研究者探索使用。

Coming Features

  • 技术报告：MindMemOS完整技术报告即将发布，将进一步披露算法设计、系统实现、评测设置与更多案例分析
  • Skills系统：与经验记忆联动，自动合成Skills；基于真实执行轨迹持续演化，并针对新问题智能分发和推荐合适的Skills
  • 文件系统记忆：把散落在本地文件、文档、项目产物和Agent输出中的知识结构化为可检索、可关联的知识对象或知识图谱，让Agent更可靠地使用用户的文件知识

当前的AI Agent已经拥有了更强的模型能力和更丰富的工具链，但长期智能并不只取决于单次任务的完成质量，真正拉开差距的是完成多次任务后留下的资产——是混乱的历史记录，还是一套可以追踪变化、主动整理、接收反馈并持续进化的记忆系统？

MindMemOS给出的答案，是将记忆从Agent的附属缓存升级为独立的操作层，让信息可以跨场景建模、冲突可以在离线阶段被消解、反馈可以反向修改记忆、任务轨迹还能推动Skill持续演进，帮助AI Agent从一次性工具成长为真正的长期协作伙伴。

项目开源地址：https://github.com/mindscale-noah/MindMemOS

项目官网：https://mindmemos.cn

LLM4AD_Next开源地址：https://github.com/Optima-CityU/LLM4AD_Next

LLM4AD_Next在线体验地址：https://llm4ad-next.cn/

以上内容不代表本平台立场，仅供读者参考