AI不再用完即忘：華為諾亞開源MindMemOS，記憶和Skill一起進化

AI Agent的能力日益強大，但使用體驗卻始終存在一個尷尬的痛點：每更換一個Agent，甚至只是開啟一個新的對話session，就像換了一位對你一無所知的新員工。用戶的偏好、項目的背景脈絡，以及過去累積的經驗教訓，都無法隨之遷移，一切只能從頭解釋，彷彿將新Agent重新「養一遍」。這背後真正的挑戰，其實遠不止「有沒有記憶」這麼簡單，而是牽涉到記憶能否被攜帶、系統如何判斷該記住什麼，以及記憶與記憶系統本身能否持續進化。 為此，華為諾亞方舟實驗室近期開源了一款面向AI Agent的可遷移、自演進記憶操作層——MindMemOS。這套系統的核心思路，是將記憶從單一Agent中徹底解耦，不再讓記憶依附於某個特定的應用或框架。其記憶建模採用「實體、屬性、時間」的三維結構，不僅保存最新狀態，更完整記錄了事實的演化軌跡。透過MindSchema記憶模式，系統可以預設記憶提取規則，或圍繞特定任務與標註問答來離線演化提取策略；而Feedback機制則能挖掘用戶隱式的糾正性反饋，有選擇地強化或降級既有記憶，提升記憶的可靠性與一致性。此外，透過「Dreaming」機制，系統能在離線狀態下鞏固記憶、消解衝突，持續提升記憶品質。 MindMemOS首先改變了記憶的基本組織方式。傳統方案常將記憶保存為一組文本片段或向量塊，但MindMemOS採用三維結構來描述開放世界的信息流。其中，「實體」代表人、專案、文件、工具等持續存在的對象；「屬性」則記錄對象的事實、偏好與狀態；「時間」則標記屬性在何時成立、何時改變。這意味著系統不再將「用戶以前喜歡X」和「用戶現在改用Y」視為兩段互不相干的文本，而是將它們放回同一實體、同一屬性的時間軸上，讓實體之間建立語義關聯，並追蹤每個屬性的演變過程。 在此基礎上，MindMemOS提供了兩條互補的記憶生成路徑。第一條是MindVanilla模式，它不依賴預先定義的建模模板，可以接收對話、文本和工具執行軌跡，適合開放域信息快速進入統一記憶庫。第二條是MindSchema模式，系統會先透過實體建模規定當前領域關注的實體和屬性，再完成話題片段切分、屬性級記憶生成、等價實體融合和圖結構合併。不同場景可以調整記憶提取規則種子，讓同一套系統適配不同任務，而無需重寫整個記憶基礎設施。在檢索時，MindMemOS也並非只做一次向量相似度匹配，而是設計了一套「Compact Search」機制，由外層Agentic模組分析查詢、規劃檢索路徑，內層工具則執行從實體到屬性、從屬性反查實體、多跳關係擴展和屬性時間線追蹤等多路徑搜索，在記憶圖中尋找抵達答案最短且信息最充分的路徑。 人類不會永久保留每個細節，而是在回顧中合併重複信息、淘汰過時判斷，並從多次經歷中形成更抽象的認識。MindMemOS的「Dreaming」機制正是模擬了這個過程。它在離線階段從尚未整理的記憶出發，圍繞相關實體擴展局部範圍，識別重複、衝突和演化關係，再生成具體操作，例如合併冗餘內容、歸檔被新事實取代的舊記憶、補充關係，或發現更高階的模式。關鍵在於，這種整理結果會變成持久的記憶狀態，而不是把判斷壓力留給每一次回答時的語言模型。例如，當同一個實體對應兩條相互衝突的事實時，普通檢索可能將兩條內容一起返回，再期待回答模型臨場判斷；而MindMemOS會在Dreaming階段識別其中的替代關係，歸檔已經失效的版本，並保留「supersedes」關係，讓之後的普通檢索拿到更乾淨、沒有歧義的上下文。 在MemoryAgentBench的FactConsolidation子集測試中，Dreaming機制展現了「少即是多」的效果。它並非透過「記得更多」來換取提升，而是在提高單跳與多跳得分的同時，將大約五分之一的活躍記憶轉入歸檔，且歸檔的記憶不會被主動召回。這種減少干擾的方式，本身就是提升記憶品質的一部分。 除了系統主動整理，MindMemOS也讓用戶交互中的糾錯信號能回到記憶系統。用戶可以直接用自然語言指出某條記憶錯誤，也可以在後續對話中表達不滿、修正或新的偏好。系統會判斷這條信號是當前任務的臨時信息、特定場景偏好，還是適合長期保留的規律，再決定新增、更新、歸檔、刪除或強化相關記憶。這一步至關重要，因為用戶偏好往往不只是「是什麼」的事實，例如一個用戶說自己偏好臨時約見，真正影響推薦的可能是背後的原因——低壓力安排反而能讓其更可靠地赴約。隨著更多交互出現，系統會逐漸補全「為什麼」和「在什麼場景下成立」，而不是無限新增相似的碎片。 如果說事實和偏好讓Agent更懂用戶，那麼Skill則決定了它能否把經驗真正變成能力。MindMemOS將Skill視為記憶系統的關鍵應用，提供雲端Skill註冊、版本鏈、同步和回滾能力，並透過統一的Memory Add接口收集真實任務軌跡。當軌跡累積到一定數量後，系統會依序完成目標提取、關鍵轉折分析、工具使用與結果評估，並聚合反覆成功的策略與反覆出現的失敗，生成針對當前Skill文件的修改計劃，最終應用編輯並生成新的Skill版本。如果軌跡沒有任務得分，系統可以從反覆出現的成功路徑和失敗模式中做無監督演進；若有評分，則會強化高分軌跡中的有效行為，並抑制低分軌跡裡的常見錯誤。 在包含400個真實表格操作任務的SpreadsheetBench-Verified上，實驗結果顯示，未經優化的初始Skill甚至低於不使用Skill的表現。這說明給Agent一份操作指南並不必然帶來提升，過時、冗餘或不適配任務分佈的規則反而可能製造干擾。而MindMemOS的無監督演進僅依靠執行軌跡，就將成功率從51.3%提升到55.3%；加入任務評分後進一步達到57.2%，相比No-skill提升5.9個百分點，相比未經演進的Init-skill提升9.2個百分點。這背後的關鍵在於，系統從失敗軌跡中提煉出可執行的避錯規則，例如「不要把公式文本當作數值」、「篩選、排序和刪除時先從源表構造穩定快照」等，並在監督信號下學會規則的適用邊界。 除了上述機制，MindMemOS也在兩項主流長期記憶基準上評估了基礎記憶能力。在LoCoMo基準上，使用gpt-4.1-mini作為回答模型，MindMemOS-Modeling的Overall Accuracy達到94.03，成為所有對比方法中的最高結果。在面向長期個性化的PersonaMem上，MindMemOS-MindSchema的Overall Accuracy為70.63%，MindMemOS-MindVanilla也以67.74%略高於Baseline。這些結果共同指向一個結論：結構化建模的價值，不只是讓記憶「看起來更整齊」，而是讓系統在長期事實召回、用戶畫像和個性化推斷中獲得可測量的提升。 MindMemOS在架構上將Agent接入層、記憶算法層與記憶結構層解耦，當前開源代碼提供FastAPI HTTP接口、Python SDK、CLI、Skills以及OpenClaw插件等接入方式，覆蓋add、search、update、delete、feedback和dreaming等完整記憶生命週期操作。這種解耦帶來的直接價值是可遷移性：記憶不再綁定在某個Agent的私有實現中，而可以作為用戶、項目或組織獨立維護的長期資產，在不同應用和Agent框架之間複用。開發者既可以本地部署完整服務，也可以從雲端API、SDK或CLI開始接入。項目採用MIT License，詳細部署配置與評測流程均已隨代碼公開。 MindMemOS的應用場景也已延伸至自動算法設計領域。在LLM4AD_Next平台中，MindMemOS將算法搜索過程中產生的反饋轉化為可存儲、可檢索、可複用的經驗資產。針對算法設計任務層次多、週期長的特點，平台構建了任務記憶、項目記憶與全局記憶三層架構，並支持Auto Mode與Manual Mode兩種靈活的記憶調度機制。這使得每一次算法搜索都不再是孤立的嘗試，而是通往下一次「進化」的堅實起點。 當Agent擁有越來越強的模型與工具，長期智能的關鍵在於完成一百次任務之後，它留下了什麼。是越來越長、越來越混亂的歷史記錄，還是一套能追蹤變化、主動整理、接受糾正，並把成功與失敗持續沉澱為Skill的記憶系統？MindMemOS的答案是，將記憶從Agent的附屬緩存提升為獨立的操作層，讓信息可以跨場景建模，衝突可以在離線階段被消解，反饋可以反向修改記憶，任務軌跡則能持續推動Skill演進。從「記住用戶」到「學會做事」，這或許正是Agent從一次性工具走向長期協作者必須補上的一層基礎設施。