Agent终于不再「用完即忘」量子位

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。

系统先通过实体建模规定当前领域关注哪些实体和属性，再完成话题片段切分、属性级记忆生成、等价实体融合和图结构合并。

不同场景可以调整记忆提取规则种子，让同一套系统适配不同任务，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。

它设计了一套Compact Search：

外层Agentic模块负责分析查询、规划检索路径和判断信息是否充分；

内层工具则执行从实体到属性、从属性反查实体、多跳关系扩展和属性时间线追踪等多路径搜索。

简单来说，系统不只是寻找“最像问题的一段话”，而是在记忆图中寻找抵达答案最短、同时覆盖信息最充分的路径。

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信息、淘汰过时判断，并从多次经历中形成更抽象的认识。

业界把类似过程称为Dreaming。

Dreaming在离线阶段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，再生成具体操作：合并冗余内容、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。

关键在于，这种整理结果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，普通检索可能把两条内容一起返回，再期待回答模型临场判断。

MindMemOS会在Dreaming阶段识别其中的替代关系，归档已经失效的版本，并保留supersedes关系。之后的普通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择了旧答案；

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当前有效的事实。

△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：

结果显示，Dreaming并不是通过“记得更多”换取提升。