AIAI 工具图鉴
← 返回全部文章
·约 13 分钟PPT

AI 不再用完即忘：华为诺亚 MindMemOS 把 Agent 记忆从外挂变成系统层

Agent检索记忆
下载 PPT下载视频

配套媒体

本页对应的 PPT 与演示视频

mindmemos-recommend.mp4
PPT
mindmemos-recommend.pptx浏览器不能直接打开 PPT，下载后用 PowerPoint / WPS / Keynote 查看
下载没反应？点这里复制直链

侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。

PPT../../mindmemos-recommend.pptx
视频../../mindmemos-recommend.mp4
本文目录
  1. 一、Agent 记忆为什么这么难？
  2. 二、MindMemOS 到底是什么？
  3. 三、和旧方案到底差在哪？
  4. 四、四大核心模块拆解
  5. 4.1 实体-属性-时间：把记忆从文本升级到时空
  6. 4.2 Dreaming：让记忆离线"做梦"
  7. 4.3 Feedback：让用户的纠偏信号回流到系统
  8. 4.4 Skill Evolution：让经验沉淀为规则
  9. 五、3 分钟接入：5 步跑通 SDK
  10. 六、它最适合什么场景？
  11. 七、几个工程上的注意事项
  12. 八、重点回顾
  13. 九、延伸阅读

AI 不再用完即忘：华为诺亚 MindMemOS 把 Agent 记忆从外挂变成系统层

你有没有过这种体验：让 Claude Code 帮忙调了一晚上的依赖脚本，第二天重新开一个 session，它像失忆了一样，完全忘了昨晚踩过的坑；用 OpenHands 跑了一周的工作流，换个 Agent，之前的偏好和工具经验又得从头喂一遍。

问题从来不是 Agent 笨，而是它的记忆是"贴"在某个具体 Agent 身上的——换个皮就没了。

8 月 1 日，华为诺亚方舟实验室正式开源了一个叫 MindMemOS（Memory Operating System）的项目，MIT 协议，GitHub 100+ commits，直接把记忆从 Agent 内部抽出来，做成了"独立、可迁移、自演进"的系统级资产。配套论文与榜单数据显示，它在 LoCoMo 长期记忆基准上把分数顶到了 94.03%——一个对标 SOTA 的数字。

这可能是今年 Agent 基础设施赛道，最值得开发者上手的开源项目之一。

MindMemOS 头图：AI 不再用完即忘

一、Agent 记忆为什么这么难？

我们以为 Agent 记忆是个"加缓存"的问题：把对话存到数据库，下次再取出来。

但实际跑过的工程师都知道，至少有四件事同时卡着：

  1. 跨框架迁移难：Claude Code、OpenHands、OpenClaw 各自一套记忆实现，换个 Agent 等于换一台电脑，连不上。
  2. 事实演进丢上下文：用户半年前说"我以前喜欢用 VS Code"，现在改用 Cursor，很多系统分不清这是同一个人改了偏好，还是两个人，直接覆盖或并存。
  3. 检索质量靠运气：传统做法是文本片段 + 向量相似度，碰到"半年前那个项目用的是哪个版本"这种问题，几乎抓瞎。
  4. Skill 不能沉淀：解决某类问题的成功策略，跑完就丢，下次同类问题又得从零试错。

MindMemOS 的核心想法：把"记忆"做成一套操作系统，而不是某个 Agent 的私有模块。

二、MindMemOS 到底是什么？

MindMemOS 三层架构图：接入层 / 算法层 / 结构层

MindMemOS 把整套记忆系统在架构上拆成三层：

MindMemOS 把整套记忆系统在架构上拆成三层：

层 职责 关键模块
接入层 统一不同 Agent 的接入方式 FastAPI / Python SDK / CLI / OpenClaw 插件
算法层 记忆的提取、检索、整合、巩固 MindVanilla / MindSchema / CompactSearch / Dreaming / Feedback / Skill Evolution
结构层 记忆的底层组织方式 实体-属性-时间 三维图结构

这套架构真正解决的不是"能记住"，而是"记得能带走"。

接入层已经支持 OpenClaw、Hermes、Claude Code、OpenHands 等主流 Agent 框架——你的记忆一旦写进去，可以被多个 Agent 复用，不再绑定某一家。

三、和旧方案到底差在哪？

我们拿最常被对比的 4 套方案横向看一遍：

维度 MindMemOS Mem0 MemU Zep EverOS
记忆结构 实体-属性-时间三维图，追踪演变 文本片段/向量块，扁平 树状记忆图 时序事件图 长期对话记忆
记忆提取 MindVanilla + MindSchema 双模式 固定模板 LLM 抽取 LLM 抽取 LLM 抽取
离线整理 Dreaming 自动消解冲突 无 无 弱 弱
反馈闭环 显式 + 隐式反馈，作用于提取/检索 仅显式反馈 无 无 无
Skill 演进 基于真实轨迹自动演化版本 无 无 无 无
跨 Agent 迁移 解耦架构，多框架共享 绑定 Mem0 平台 弱 弱 弱
LoCoMo 准确率 94.03% (SOTA) 64.20% - - 较高
开源协议 MIT MIT Apache 2.0 Apache 2.0 部分开源

一句话总结：传统方案在比"怎么记"，MindMemOS 在解决"记完之后怎么办"。

LoCoMo 长期记忆准确率对比：MindMemOS 94.03% 碾压级领先

四、四大核心模块拆解

4.1 实体-属性-时间：把记忆从文本升级到时空

传统方案把记忆保存成一段段文本或向量块。MindMemOS 用一个三维结构描述开放世界的信息流：

  • 实体（Entity）：人、项目、文件、工具、组织等持续存在的对象
  • 属性（Property）：对象的事实、偏好、状态、高阶特征
  • 时间（Time）：属性在什么时间成立，又在何时变化

每条记忆都落到这个三维坐标系里的唯一位置，同时保留实体之间的语义关联和属性的演变轨迹。

效果：用户半年前说"我以前喜欢 X"、现在说"我现在用 Y"——在传统系统里是两条互不相关的文本；在 MindMemOS 里是同一实体、同一属性时间轴上的两个事件点。

4.2 Dreaming：让记忆离线"做梦"

记忆越多越要整理，否则检索质量会被噪声拖垮。MindMemOS 提供一个叫 Dreaming 的离线巩固机制：

  • 自动识别重复、冲突、演化关系
  • 合并冗余条目
  • 归档失效版本
  • 补充高阶模式

数据效果：在 MemoryAgentBench 的 FactConsolidation 测试中，Dreaming 在压缩 19.4%-23.5% 活跃记忆的同时，把问答准确率最高提升 10.3 个百分点。

少即是多。 这件事在工程上极难——大多数系统压缩记忆后检索质量都掉。

4.3 Feedback：让用户的纠偏信号回流到系统

很多 Agent 跑偏了，用户说"不对，我说的不是这个意思"，系统改了当条记忆，下次同样的坑还是踩。

MindMemOS 的 Feedback 机制分两层：

  • 显式反馈：用户明确"这条记错了 / 应该升级"
  • 隐式反馈：从用户的后续行为里推断信号（重写、跳过、采纳/拒绝）

反馈不仅修改单条记忆，还会反向作用于提取规则和检索策略——系统层面一起调整。

4.4 Skill Evolution：让经验沉淀为规则

最有意思的模块。基于真实执行轨迹，MindMemOS 会自动：

  1. 抽取成功策略与失败模式
  2. 生成 Skill 修改计划
  3. 在"源任务克隆体"上回放验证
  4. 只保留能改善或至少维持结果的补丁
  5. 迭代版本号

数据效果：在 SpreadsheetBench-Verified 上，未优化的初始 Skill 反而低于无 Skill 基线（51.3%），而 MindEvolve-Sup 跑出来的版本把任务成功率提升到 57.2% ± 2.4%。

换句话说：随便写的 Skill 文档可能还不如不写；MindMemOS 的演进机制让 Skill 真正"踩过坑、活下来"。

MindMemOS 4 大核心模块硬数据

五、3 分钟接入：5 步跑通 SDK

# 1. 克隆仓库
git clone https://github.com/mindscale-noah/MindMemOS.git
cd MindMemOS

# 2. 准备配置
cp .env.example .env
cp config/mindmemos/dev.example.yaml config/mindmemos/dev.yaml
# 编辑 dev.yaml：填入 chat_model_router / embed_model_router 的 API key

# 3. 启动服务（Docker + FastAPI，默认 8000 端口）
make dev

# 4. 安装 SDK
pip install mindmemos-sdk
mindmemos auth  # 配置 base_url / api_key / user_id

# 5. 在你的 Agent 里调用
python -c "
from mindmemos_sdk import Client
client = Client()

# 写入一条记忆
client.memory.add(content='用户偏好：在表格处理中倾向用 openpyxl 而不是 pandas')

# 检索
results = client.memory.search(query='项目里表格用什么库？')
print(results)
"

接入层已经做好 FastAPI HTTP、Python SDK、CLI、OpenClaw 插件四种姿势，挑你最顺手的即可。

MindMemOS 5 步 SDK 接入流程图

六、它最适合什么场景？

场景 为什么适合
个性化 AI 助手 跨会话保留用户偏好、项目背景、踩坑经验
多 Agent 协作平台 同一记忆库供不同 Agent 框架共享，避免重复养 Agent
自动算法设计（LLM4AD） 把搜索过程中"哪些方案已试过无效"系统化沉淀
复杂办公自动化 表格/文档处理这类重复性任务，Skill 持续优化执行策略
长期用户画像构建 追踪属性随时间的变化轨迹，支撑个性化推荐

反过来，下面这些场景暂时别硬上：

  • 对延迟极端敏感（毫秒级）的实时对话系统——三层架构的检索开销需要权衡
  • 数据强隔离的多租户场景——目前记忆库共享模型，单租户隔离需要二次开发
  • 强监管行业（医疗/金融）的合规审计——Dreaming 的合并逻辑需要审计可见化扩展

七、几个工程上的注意事项

  1. 外部模型依赖：MindMemOS 的提取/检索/重排都依赖外部 LLM 和 embedding，需要准备好 chat_model_router、embed_model_router、rerank_model_router 的 API key。
  2. Qdrant 维度匹配：embed_model_router 的 embedding 维度必须和 Qdrant 配置一致，否则检索会静默失败。
  3. Feedback 不要乱开：隐式反馈推断需要谨慎，初次部署建议只开显式反馈，避免错误信号污染记忆。
  4. Skill 版本管理：Skill Evolution 会自动迭代版本，建议在生产环境同时保留最新 3 个版本以便回滚。
  5. Dreaming 调度：Dreaming 离线任务比较吃算力，建议放在业务低峰期（如凌晨）跑。

八、重点回顾

  1. MindMemOS 把记忆从 Agent 内部抽出来，做成可跨框架迁移的独立资产——这是它和 Mem0/Zep 的根本区别。
  2. 三维"实体-属性-时间"结构解决了"用户偏好演进丢失"这个长期痛点。
  3. Dreaming 离线巩固做到"少即是多"——压缩 19.4%-23.5% 记忆同时准确率 +10.3 个百分点。
  4. Skill Evolution 让 Skill 真正"踩过坑、活下来"——初始 Skill 文档 < 无 Skill 基线，演进后才到 57.2%。
  5. LoCoMo 94.03% 是当前 SOTA，远超 Mem0（64.20%）等同代方案。
  6. MIT 协议 + 本地 Docker 部署，私有化友好；缺点是外部模型依赖要自己接。

九、延伸阅读

一句话总结：Agent 时代真正稀缺的，不是更强的模型，而是一套能跨 Agent 流动的记忆操作系统。MindMemOS 是当前最接近这件事的开源答案。