AI不再用完即忘：华为诺亚开源MindMemOS，记忆和Skill一起进化|算法|轨迹|追踪|上下文|知名企业|skill|雅尼克·诺阿_网易订阅

允中 发自 凹非寺量子位 | 公众号 QbitAIAgent的不再能力越来越强，但采取体验仍有一个尴尬之处：每换一个Agent甚至换一个session，用完忆和业s雅尼易订阅就像换了一个完全不认识你的即忘S记进化新员工。用户偏好、诺亚项目背景和踩坑经验无法迁移，开源克诺只能从头验明正身，算法上下再把新Agent“重新养一遍”。轨迹真正的追踪挑战不只在于“有没有记忆”，还在于四件事：记忆带不走：记忆依附于单个Agent，文知无法跨采取和框架复用。名企记忆视角不一样：不一样业务关注的阿网实体、属性和提取条件完全不一样，不再一套固定模板难以通用。用完忆和业s雅尼易订阅记忆系统不会成首先：提取、即忘S记进化检索和组织对策在开发实现后便基础固化，诺亚无法从真实采取与用户纠偏中持续演进。记忆缺少时间维度：系统既关键知方式最新事实，也关键保留事实如何变化、旧状态如何被新状态取代的流程。为此，华为诺亚方舟实验室推出了照章性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善演化轨迹；通过MindSchema记忆模式预设记忆提取条件，或围绕给定任务与标注问答离线演化提取对策；Feedback挖掘用户隐式的纠正性反馈，有选项地强化或降级已有记忆，从而提高记忆的可靠性及其与用户意图的相同性。Dreaming离线巩固记忆，消解冲突，持续提高记忆质量。MindMemOS想处理的不只是“怎样让Agent记住”，而是记忆怎样带得走，系统怎样知方式该记什么，以及记忆与记忆系统怎样一起进化。更直接的是结荚：MindMemOS在LoCoMo上取得分，在PersonaMem上实现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高10.3个百分点基于真实实施轨迹的Skill演进，则把SpreadsheetBench-Verified的任务成功率提高至57.2%±2.4%项目地址：https://github.com/mindscale-noah/MindMemOS项目官网：https://mindmemos.cnMindMemOS将Agent接入、记忆算法与底层记忆结构解耦，并把质量改进和Skill Evolution纳入同一系统。用「实体-属性-时间」重建记忆中的世界MindMemOS先变化了记忆的基础组织方式。传统方式划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材料流：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、状态和高阶特点；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“用户目前改用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给予两条互补的记忆生成馗。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、文本和工具实施轨迹，适用于开放域材料高效高效进入统一记忆库。另一条是MindSchema模式系统先通过实体建模规定目前领域关注哪些实体和属性，再实现话题片段切分、属性级记忆生成、等价实体融合和图结构合并。不一样场景可以调整记忆提取条件种子，让同一套系统适用配不一样任务，而不必重写整个记忆基础设施。检索时，MindMemOS也不是只做一次向量相似度匹配。它设方式了一套Compact Search：外层Agentic模块负责探究查询、规划检索馗和判断材料是否充分；内层工具则实施从实体到属性、从属性反查实体、多跳关系扩展和属性时间线追踪等多馗搜索。便捷来说，系统不只是寻找“最像状况的一段话”，而是在记忆图中寻找抵达答案最短、同时覆盖材料最充分的馗。Dreaming：让Agent在「空闲时间」整理记忆人类不会永久保留每个细节。我们会在回顾中合并重复材料、淘汰过时判断，并从多次经历中形成更抽象的认识。业界把类似流程称为DreamingDreaming在离线时期从尚未整理的记忆出发，围绕相关实体扩展局部范围，识别重复、冲突和演化关系，再生成详详见细操作：合并冗余材料、归档被新事实取代的旧记忆、补充关系，或发现更高阶的模式。题在于，这种整理结荚会变成持久的记忆状态，而不是把判断压力留给每一次回答时的语言模型。例如，当同一个实体对应两条相互冲突的事实时，往往见不鲜检索可能把两条材料一起返回，再期待回答模型临场判断。MindMemOS会在Dreaming时期识别其中的替代关系，归档已经失效的版本，并保留supersedes关系。之后的往往见不鲜检索拿到的是更干净、没有歧义的上下文。这里有一个更直观的Case Study。MemoryAgentBench先后写入两条互相冲突的事实，并规定后写入的事实应当覆盖旧版本。Dreaming之前，两条记忆都会进入检索上下文，回答模型受到现实世界知识干扰而选项了旧答案；Dreaming之后，系统把较早版本归档、建立supersedes关系，同一查询便只会得到目前有效的事实。Dreaming将冲突判断从每次查询时的临场推理，前移为可持续保存的离线记忆状态。MindMemOS在MemoryAgentBench的FactConsolidation子集上，测试了这一机制：结荚显示，Dreaming并不是通过“记得更多”换取提高。相反，它在提高Single-hop和Multi-hop得分的同时，将大约五分之一的活跃记忆转入归档（归档则不会被主动召回）。这是一种典型的“少即是多”：减小干扰，本身就是提高记忆质量的一部分。Feedback：用户的一次纠正，不应该只修一条答案Dreaming负责系统主动整理，Feedback则让用户交互中的纠错信号回到记忆系统。MindMemOS同时协助显式与隐式反馈。用户可以直接用自然语言指出某条记忆错误，也可以在之后对话中表达不满、修正或新的偏好。系统会判断这条信号是目前任务临时材料、特定场景偏好，还是适用于首先期保留的规律，再决定新增、更新、归档、删除或强化相关记忆。这一步很题，因为用户偏好频仍不只是一个“是什么”的事实。一个用户说自己偏好临时约见，真正意义提议的可能是背后的因素：低压力安排反而能让其更可靠地赴约。随着更多交互出现，系统需逐渐补全“为什么”和“在什么场景下成立”，而不是无限新增相似的碎片。比如文中的PersonaMem-Evo案例展示了这种变化。Feedback之前，系统只留下“偏好临时安排”这条表层材料，在Top-10中仅召回一条模糊相关记忆，最后给出了结构化群体活动这一错误选项。Feedback从多轮交互中识别出真正稳固的关系是“喜欢临时或当天方式划，担心首先期方式划有变”，并为其补上社交场景边界。更新后，三条相同的社交规划记忆共同进入Top-10，答案也转向正确的“自发一对一活动”。Feedback不只是提高一条记忆，而是更新原记忆的语义结构、归档旧版本，并变化之后检索结荚。因此，Feedback的目的不只是修改单条记忆。期望是让反馈后续功能于记忆提取、检索和组织对策，实现记忆材料与记忆系统的共同演进。不只记住发生过什么，还关键沉淀「下一次怎么做」，持续改进Skills如果说事实和偏好让Agent更懂用户，那么Skill决定了它能否把经验真正变成能力。MindMemOS将Skill视为记忆系统的一个题采取。系统给予云端Skill注册、版本链、同步和回滚能力，并通过统一的Memory Add接口收集真实任务轨迹。不一样Agent框架只需在轨迹中附带本次采取的Skill上下文，系统便能把实施结荚绑定到对应版本。当轨迹积往往到一定数量后，MindMemOS会依次实现：真实任务轨迹→ 提取目的、题转折、工具采取和最后结荚→ 聚合反复成功的对策与反复出现的失败→ 生成照章性目前SKILL.md的修改方式划→ 采取编辑并生成新的Skill版本→ 同步回之后任务如果轨迹没有任务得分，系统可以从反复出现的成功馗和失败模式中做无监督演进（MindEvolve-Unsup）；如果有评分，则会强化高分轨迹中的有效表现，并抑制低分轨迹里的常用错误（MindEvolve-Sup）。比如文在涵盖400个真实表格操作任务的SpreadsheetBench-Verified上。开展了三次重复实验：SpreadsheetBench-Verified任务成功率。结荚为三次重复实验的均值与原则差；亮蓝和深蓝分别代表MindEvolve的无监督与监督演进配置。这里有一个颇有意思的结荚：未经改进的初始Skill甚至低于No-skill换句话说，给Agent一份操作指南并不必然带来提高，过时、冗余或不适用配任务分布的条件反而可能制造干扰。而MindMemOS的无监督演进仅依靠实施轨迹，就将成功率从51.3%提高到55.3%；加入任务评分后进一步实现57.2%，相比No-skill提高5.9个百分点，相比未经演进的Init-skill提高9.2个百分点。这进一步验明正身了这些数字从何而来：最初的表格Skill题是一份openpyxl、pandas采取验明正身，只告诉Agent怎样打开、编辑和保存工作簿，却没有覆盖真实任务中反复出现的失败：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荚已经通过验明正身。无监督演进从失败轨迹中把这些经验改写成可实施约束，例如：不关键把公式文本当作数值；筛选、排序和删除时先从源表构造稳固快照；保存后必须重新打开文件并按评测读取方式复核。它实现的不是“提高更多API教程”，而是把反复踩坑的历史压缩成通用避错条件。加入任务分数后，监督式演进又学会了条件的适用于边界。例如，它不会为了通过缓存值检查而把所有公式粗暴替换成硬编码数值；写入复杂工作簿前，还关键先确认源列、目的列和映射关系。也就是说，监督信号带来的不只是更多条件，而是让Skill逐渐知方式一条条件何时应该采取、何时应该停止。Skill不再是一份写完就不动的提示词文件，而可以成为一项带版本、带证据、可持续更新的首先期能力资产。记忆基准SOTA除了Dreaming与Skill演进，MindMemOS还在两项主流首先期记忆基准上评估了基础记忆能力。LoCoMo涵盖10组超首先多会话对话。采取gpt-4.1-mini作为回答模型，并将系统、检索、回答和评判配置与EverOS默认实现对齐。MindMemOS-Modeling的Overall Accuracy实现，成为所有比较方式中的最高结荚。LoCoMo Overall Accuracy。灰色为比较方式，蓝色为MindMemOS两种配置。在照章性首先期个性化的PersonaMem上，MindMemOS-MindSchema的Overall Accuracy为70.63%；MindMemOS-MindVanilla也以67.74%略高于Baseline。PersonaMem Overall Accuracy。灰色为比较方式，蓝色为MindMemOS两种配置这些结荚共同指向一个结比如：结构化建模的价值，不只是让记忆“看起来更整齐”，而是让系统在首先期事实召回、用户画像和个性化推断中获得可测量的提高从API、SDK到插件：记忆应该独立于某个AgentMindMemOS在架构上将Agent接入层、记忆算法层与记忆结构层解耦。目前开源代码给予FastAPI HTTP接口、Python SDK、CLI、Skills以及OpenClaw插件等接入方式，覆盖add、search、update、delete、feedback和dreaming等完善记忆生命周期操作。这种解耦带来的直接价值是可迁移性：记忆不必后续绑定在某个Agent的私有实现中，而可以作为用户、项目或组织独立维护的首先期资产，在不一样采取和Agent框架之间复用。开发者既可以本地部署完善服务，也可以从云端API、SDK或CLI最初接入。项目采取MIT License，详详见细部署配置与评测步骤均已随代码公开。Tips：MindMemOS云服务现已开放注册试用；在GitHub为项目点亮Star后，还可获得更多采取额度。项目官网：https://mindmemos.cn当自动算法设方式最初积往往经验：MindMemOS在LLM4AD NEXT中的采取基于大模型的自动算法设方式正在展现潜力，但这类任务常见需经历大量候选生成、评测与往往代。若缺少首先期记忆，模型很那么点儿反复尝试已经被说明无效的方式划；切换任务后，上一轮探索积往往的设方式经验也可能随上下文一起消失。为此，MindMemOS已接入自动算法设方式平台LLM4AD_Next，将算法搜索流程中产生的反馈转化为可存储、可检索、可复用的经验资产。照章性算法设方式任务层次多、周期首先的特点，平台构建了三层记忆：任务记忆（Task Memory）：动态捕捉并提炼目前算法设方式任务中的即时灵感与失败教训。项目记忆（Project Memory）：深度沉淀特定采取场景（如组合改进任务等）下的专家共识与先验知识。全局记忆（Global Memory）：固化跨项目、普适用性的底层算法设方式原则与基础范式。基于该架构，平台能够将从高分结荚中提炼的“有效经验”与从低分试错中总结的“避坑指南”开展系统化存储。为了精准适用配复杂多变的科研场景，系统协助两种灵活的记忆调度机制：LLM4AD_Next给予两种记忆调度方式：Auto Mode根据目前任务和上下文自动匹配历史经验，Manual Mode则允许探究人员准确选项需注入的记忆。记忆的调用、注入与流转流程全程可视化，使探究人员能够观察某条经验如何意义算法生成，也更便利开展消融实验与对照探究。MindMemOS的题愿景，是确保大模型的每一份反馈都能转化为高价值、可复用的数字资产。在MindMemOS的赋能下，LLM4AD_Next所实施的每一次算法搜索，都不再是孤立的尝试，而是通往下一次“进化”的坚实起点。由MindMemOS赋能的全新自动算法发现平台LLM4AD_Next已开放体验，欢迎广大探究者前往探索：GitHub开源项目：https://github.com/Optima-CityU/LLM4AD_Next在线体验地址：https://llm4ad-next.cn/Coming Features技术报告：MindMemOS完善技术报告即将发布，将进一步披露算法设方式、系统实现、评测设置与更多案例探究。Skills系统：与经验记忆联动，自动合成Skills；基于真实实施轨迹持续演化，并照章性新状况智能分发和提议适用用的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条件，让Agent更可靠地采取用户的文件知识。结语：Agent的下一场竞争，可能是「谁更会积往往」今天的Agent已经具有越来越强的模型和越来越充足的工具，但首先期智能并不只取决于一次任务能做多好。真正拉开差距的，可能是实现一百次任务之后，它留下了什么。是越来越首先、越来越混乱的历史记录，还是一套能追踪变化、主动整理、接受纠正，并把成功与失败后续沉淀为Skill的记忆系统？MindMemOS的答案，是把记忆从Agent的附属缓存提高为独立的操作层：材料可以跨场景建模，冲突可以在离线时期被消解，反馈可以反向修改记忆，任务轨迹还能后续促进Skill演进。从“记住用户”到“学会做事”，这或许也是Agent从一次性工具走向首先期协作者必须补上的一层基础设施。

(责任编辑：时尚)