MindMemOS

MindMemOS – 华为诺亚方舟开源的 AI Agent 记忆操作系统

MindMemOS：华为诺亚方舟实验室打造的智能体记忆革新者

人工智能代理（Agent）在执行任务后常常面临“用完即忘”的困境，这极大地限制了其长期智能和用户体验。华为诺亚方舟实验室推出的MindMemOS，作为一款开源的AI Agent记忆操作系统，正是为了解决这一核心痛点而生。它将Agent的记忆从个体束缚中解放出来，转化为可跨框架、可复用的资产，并采用精妙的实体-属性-时间三维结构，不仅记录下当前的最新状态，更能完整回溯其演变轨迹。

MindMemOS通过三大核心机制实现记忆与系统的协同进化：其一是“Dreaming”机制，在离线状态下对记忆进行深度整理；其二是“Feedback”机制，主动挖掘用户纠偏信号，不断校准Agent行为；其三是“Skill Evolution”机制，基于真实的执行轨迹，持续演化Agent的技能。这种多维度的进化策略，使得MindMemOS能够不断提升Agent的智能水平和记忆的有效性。

MindMemOS的独特之处

三维记忆编织：以实体、属性和时间为轴心，构建了一个立体的记忆网络。这种结构能够精准追踪属性的动态变化，并揭示实体之间错综复杂的语义关联。
双模态记忆录入：MindVanilla模式提供开放域、无模板的快速记忆录入，适应各种即时信息；MindSchema模式则允许预设实体和属性规则，为特定业务场景提供高度适配的结构化记忆。
精巧的检索引擎：Compact Search采用多层级检索策略。外层Agentic模块负责全局路径规划，内层则通过实体反查、多跳关系扩展以及时间线追踪等多种方式，实现高效精准的记忆召回。
智能离线整理：Dreaming机制在后台默默工作，识别并处理重复、矛盾及演化关系，合并冗余信息，归档失效版本，并提炼出更高阶的记忆模式。
闭环反馈机制：不仅支持用户明确的指令，还能捕捉隐性的纠偏信号。系统能准确判断反馈类型，并执行新增、更新、归档、删除或强化等精细化操作。
技能的自我进化：Skill Evolution机制能够从Agent的真实执行轨迹中，自动提取成功的策略和失败的模式，进而生成Skill修改计划，实现技能版本的迭代升级。

想要深入了解MindMemOS并参与到AI开源项目中，请关注微信公众号并回复“开源”，加入AI开源项目交流群。

如何快速上手MindMemOS

环境搭建与配置：首先，请复制示例配置文件以创建本地配置：cp .env.example .env 以及 cp config/mindmemos/dev.example.yaml config/mindmemos/dev.yaml。随后，在配置文件中填入您的 chat_model_router、embed_model_router、rerank_model_router 以及相应的API key。
启动服务：执行 make dev 命令，即可启动包含所有Docker依赖的完整栈以及FastAPI服务（默认8000端口）。若仅需核心依赖，可使用 make dev-core。
安装与配置SDK：通过 pip install mindmemos-sdk 安装Python SDK。然后，运行 mindmemos auth 命令，配置您的 base_url、api_key 和 user_id。
记忆的添加与检索：通过SDK调用 client.memory.add() 方法，轻松将对话内容或事实信息写入记忆。使用 client.memory.search()，即可进行高效的记忆检索。
提交反馈信息：利用 client.memory.feedback() 方法或CLI命令 mindmemos memory feedback，提交您的显式或隐式纠偏信号，帮助系统优化。
触发记忆整理：执行 mindmemos memory dreaming 命令，或直接调用相应的dreaming API，即可启动离线记忆的巩固与优化过程。
注册与演化技能：使用 mindmemos skill register 命令，将您的本地Skills注册到系统中。通过 mindmemos skill evolve 命令，可以基于Agent的执行轨迹，触发Skills的版本演进。

MindMemOS的官方入口

项目官网：https://mindmemos.cn/
GitHub代码库：https://github.com/mindscale-noah/MindMemOS

MindMemOS的核心竞争力

记忆资产的可迁移性：通过将Agent接入层、记忆算法层和记忆结构层解耦，记忆得以作为的长期资产，在不同应用场景和框架间迁移与复用。
领先的结构化召回能力：在LoCoMo评测中，MindMemOS的整体准确率高达94.03%，远超同类SOTA水平；PersonaMem的准确率也达到70.63%，显著优于Mem0、MemU、Zep、EverOS等竞品。
“少即是多”的记忆质量提升：Dreaming机制在压缩19.4%至23.5%的活跃记忆的同时，能将问答准确率最高提升10.3个百分点，体现了精简记忆带来的效率飞跃。
技能的自主演化能力：研究表明，未经优化的初始Skills甚至可能表现不如无Skill基线。而MindEvolve-Sup通过经验沉淀为规则，将任务成功率从51.3%大幅提升至57.2%，充分证明了经验积累的价值。
反馈驱动的智能进化：Feedback机制能够将用户的纠偏信号转化为系统优化的动力，反向作用于记忆的提取和检索策略，实现智能的持续迭代。
灵活多样的接入方式：MindMemOS支持本地部署（Docker + FastAPI）、云端API调用、Python SDK、命令行工具（CLI）以及OpenClaw插件等多种接入方式，满足不同用户和场景的需求。

MindMemOS与同类产品对比分析

对比维度	MindMemOS	Mem0
记忆存储结构	基于实体-属性-时间的三维图谱，能够精细追踪属性演变轨迹	以文本片段或向量块为单位，存储形式较为扁平
记忆录入方式	MindVanilla（开放域快速入库）与MindSchema（预设规则适配）双模态，兼顾通用性与专业性	主要依赖固定模板提取，通用性强但灵活性受限
记忆整理机制	具备Dreaming离线主动巩固功能，能自动识别并消除冲突与冗余	缺乏离线整理机制，记忆的优化主要依赖查询时的模型判断
反馈闭环机制	支持显式与隐式反馈，并能反向优化提取与检索策略	支持显式反馈，但主要用于修改单条记忆内容
Skill演进能力	能够基于真实执行轨迹自动演化Skill版本	不具备Skill演进的能力
跨Agent迁移支持	采用解耦架构，允许不同框架的Agent共享同一记忆库	记忆内容通常绑定在Mem0平台内部
LoCoMo准确率表现	94.03%	64.20%
开源许可协议	MIT	MIT

MindMemOS的多元化应用场景

个性化AI助手：跨越不同会话，MindMemOS能够持久记录用户的偏好、项目背景以及过往经验教训，从而避免了每次与Agent互动都需要重新“培养”的繁琐过程。
多Agent协作平台：将OpenClaw、Hermes、Claude Code、OpenHands等不同类型的Agent连接至同一记忆库，实现高效的知识共享与协同工作。
自动化算法设计（LLM4AD）：将算法搜索过程中积累的有效经验和规避风险的指南，系统化地转化为可检索、可复用的多层级记忆结构。
复杂办公流程自动化：借助Skill Evolution机制，对表格处理、文档编辑等重复性任务的执行策略进行持续优化，提升工作效率。
深度用户画像构建：追踪用户属性随时间推移的变化轨迹，为个性化推荐、社交规划等提供精准的数据支撑。

阅读原文