AI不再用完即忘：华为诺亚开源MindMemOS，记忆和Skill一起进化

AI不再用完即忘：华为诺亚开源MindMemOS，记忆和Skill一起进化

面向AI Agent的可迁移、自演进记忆操作层MindMemOS

允中 发自 凹非寺

量子位 | 公众号 QbitAI

Agent的能力越来越强，但使用体验仍有一个尴尬之处：

每换一个Agent甚至换一个session，就像换了一个完全不了解你的新员工。

用户偏好、项目背景和踩坑经验无法迁移，只能从头解释，再把新Agent“重新养一遍”。

真正的挑战不只在于“有没有记忆”，还在于四件事：

- 记忆带不走：记忆依附于单个Agent，无法跨应用和框架复用。

- 记忆视角不同：不同业务关注的实体、属性和提取规则完全不同，一套固定模板难以通用。

- 记忆系统不会成长：提取、检索和组织策略在开发完成后便基本固化，无法从真实使用与用户纠偏中持续演进。

- 记忆缺少时间维度：系统既要知道最新事实，也要保留事实如何变化、旧状态如何被新状态取代的过程。

为此，华为诺亚方舟实验室推出了面向AI Agent的可迁移、自演进记忆操作层MindMemOS：

它将记忆从单个Agent中解耦；

记忆建模以实体、属性、时间三维结构同时保存最新状态与完整演化轨迹；

通过MindSchema记忆模式预设记忆提取规则，或围绕给定任务与标注问答离线演化提取策略；

Feedback挖掘用户隐式的纠正性反馈，有选择地强化或降级已有记忆，从而提升记忆的可靠性及其与用户意图的一致性。

Dreaming离线巩固记忆，消解冲突，持续提升记忆质量。

MindMemOS想解决的不只是“怎样让Agent记住”，而是记忆怎样带得走，系统怎样知道该记什么，以及记忆与记忆系统怎样一起进化。

更直接的是结果：

- MindMemOS在LoCoMo上取得94.03分，在PersonaMem上达到70.63%；

- 在MemoryAgentBench的FactConsolidation测试中，Dreaming压缩19.4%-23.5%活跃记忆的同时，将问答准确率最高提升10.3个百分点；

- 基于真实执行轨迹的Skill演进，则把SpreadsheetBench-Verified的任务成功率提升至57.2%±2.4%。

项目地址：

https://github.com/mindscale-noah/MindMemOS

项目官网：https://mindmemos.cn

△MindMemOS将Agent接入、记忆算法与底层记忆结构解耦，并把质量优化和Skill Evolution纳入同一系统。

用「实体-属性-时间」重建记忆中的世界

MindMemOS首先改变了记忆的基本组织方式。

传统方案常把记忆保存为一组文本片段或向量块。MindMemOS则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、状态和高阶特征；

- 时间（Time）：属性在什么时间成立，又在何时发生变化。

△每条记忆都可以落到“实体、属性、时间”的唯一坐标，同时保留实体关系和属性演变轨迹。

这相当于不再把“用户以前喜欢X”和“用户现在改用Y”当成两段互不相干的文本，而是把它们放回同一实体、同一属性的时间轴上。

实体之间可以建立语义关联，每个属性的演变也能被追踪。

在此之上，MindMemOS提供两条互补的记忆生成路径。

一条是MindVanilla模式。

它不依赖预先定义的建模模板，可以接收对话、文本和工具执行轨迹，适合开放域信息快速进入统一记忆库。

另一条是MindSchema模式。