6.9
深览指数
科技量子位·梦晨··AI 生成
AI不再用完即忘：华为诺亚开源MindMemOS，记忆和Skill一起进化
华为诺亚方舟实验室开源MindMemOS，一个面向AI Agent的可迁移、自演进记忆操作层。它用「实体-属性-时间」三维结构组织记忆，并引入Dreaming（离线整理冲突）和Feedback（利用用户纠错信号更新记忆系统）两大机制，让记忆内容和系统本身一起进化。不同于解决“怎么记住”的技术方案，该论文的重点是“记忆如何能跨Agent带走、系统如何知道该记什么、技能如何从执行轨迹中自动沉淀”，在LoCoMo和PersonaMem基准上取得了SOTA结果。适合关注AI Agent架构、记忆系统设计和长期智能的读者，尤其是技术决策者和研究者。原文 ↗
核心观点
- ▍AI Agent的长期智能取决于“记忆”能否从单个Agent的附属缓存提升为独立操作层，实现可迁移、自演进，而非仅靠模型能力或上下文窗口扩大。
- ▍MindMemOS的核心贡献不在于“实现了记忆”，而在于提出了一个将记忆内容（事实、偏好）与记忆系统（提取、检索、组织策略）共同演进的架构，使后者能从用户反馈和任务执行轨迹中持续优化。
- 01MindMemOS用「实体-属性-时间」三维结构组织记忆，使系统能追踪事实变化（如“用户从偏好X改为偏好Y”），而非仅存储文本片段或向量块。
- 02Dreaming机制在离线阶段整理记忆，将冲突判断（如新旧事实覆盖）从查询时的临场推理前移为持久的记忆状态；在MemoryAgentBench上，该机制在压缩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。
- 03Feedback机制能从用户交互中的隐式纠错信号（如修正、新偏好）识别出稳定的深层原因（如“担心计划有变”而非“喜欢临时安排”），并更新记忆结构，而非仅追加单条记录。
- 04Skill演进基于真实任务轨迹，无监督模式下将SpreadsheetBench-Verified任务成功率从51.3%提升至55.3%，监督模式（加入任务评分）进一步达到57.2%，比“无Skill”基线高5.9个百分点，比“初始Skill”高9.2个百分点。
- 05在LoCoMo基准上，MindMemOS的Overall Accuracy达到94.03，为所有对比方法中的最高结果；在PersonaMem基准上达到70.63%。
反方 / 局限
- — 论文实验显示，未经优化的初始Skill（即直接给Agent一份操作指南）甚至低于No-Skill（51.3% vs 50.9%），说明过时或不适配的规则反而制造干扰，验证了“记忆/技能需要持续演进”这一前提，但也暗示部署初期存在性能回退风险。
- — 文章主要报告了MemoryAgentBench、SpreadsheetBench等合成/半合成基准上的结果，对真实复杂用户场景（如跨多应用、长周期、非结构化交互）的迁移效果和可扩展性尚未充分披露。
- — 架构的整体复杂性（三层结构+变体+演进机制）可能带来较高的集成与维护成本，对于中小团队或快速原型场景，是否比更简单的方案（如RAG+缓存）有显著边际收益，论文未做直接对比。
华为诺亚方舟实验室MindMemOSDreaming（记忆整理）Feedback（反馈机制）MindSchemaMindVanillaLoCoMoPersonaMemMemoryAgentBenchSpreadsheetBenchLLM4AD_NextOpenClaw
17 分钟 · 4 卡片 · 12 资料
读原文 →