一份来自 2026 年 8 月 3 日的「AI Agent 记忆操作系统」深度报告 SkillMindMemOS 作者华为诺亚方舟实验室 协议MIT GitHubGitHub - mindscale-noah/MindMemOS · GitHub 官网https://mindmemos.cn一句话总结MindMemOS 是华为诺亚方舟实验室刚开源的「AI Agent 记忆操作系统」。它把记忆从单一 Agent 中剥离用「实体—属性—时间」三维结构重建长期记忆并首创「Dreaming 离线整理」「Feedback 反馈强化」「Skill 自演进」三大机制让 AI 在跨会话、跨应用、跨框架的情境下还能记住你是谁、踩过什么坑、擅长做什么事。在公认难的 LoCoMo 长对话记忆基准上拿下94.03 分 SOTAPersonaMem 长期个性化70.63%比同期最强基线还高几个身位。一、为什么是 MindMemOS——Agent 用了都说「健忘」的故事上周三凌晨 12 点我给 Claude Code 连续提了 8 个任务第 1 个帮我建一个 Python 工程模板配 pytest、ruff、uv第 3 个在模板里加上 SQLAlchemy Alembic第 5 个把 pytest 改成 asyncio 模式第 7 个再加一个 FastAPI demo第 8 个「上次你帮我建的那个工程模板能加上 Redis 缓存吗」AI 一脸懵「抱歉我没有之前的上下文请告诉我项目结构。」我直接裂开——上一秒它还在帮我写 alembic下一秒就失忆了。这不是我一个人遇到的问题。在 quantum bit量子位最近的开发者调研里78.4% 的 Agent 重度用户把「记忆丢失」列为第一痛点比「幻觉」还高 11 个百分点。为什么答案很扎心2025 到 2026 年AI Agent 的能力在工具调用上突飞猛进但在「记忆」这件事上依然是各自为战的孤岛——痛点现状记忆带不走换一个 Agent、换一个会话、换一个框架就得重新「养」一遍视角千差万别客服 Agent 关注「投诉记录」编程 Agent 关注「代码偏好」无法用一套模板搞定记忆不会成长提取、检索、组织策略写完就固化无法从用户纠错中持续演进缺时间维度只记「现在的事实」丢了「为什么改主意」、「原来是 X怎么变成 Y」8 月 3 日华为诺亚方舟实验室正式开源 MindMemOS——专门治这个病。它上来就把口号喊得很明确不是再做一套 Mem0/MemoryBank而是给 Agent 装一个独立的「记忆操作系统」。二、MindMemOS 到底是什么——一文讲透三个核心架构很多读者可能会疑惑市面上的长期记忆框架已经有 Mem0、Letta以前叫 MemGPT、Cognee、Memary、MemoryBank……华为这套又有什么不一样核心区别是一句话MindMemOS 是「操作系统」级别的抽象而不是「插件」级别的封装。它把 Agent 的记忆拆成三层独立架构并且设计了三大在线/离线机制。2.1 三层独立架构┌─────────────────────────────────────────────┐ │ 接入层Agent Adapters │ │ ├─ OpenClaw / Claude Code 插件 │ │ ├─ FastAPI HTTP 接口 │ │ ├─ Python SDK / CLI │ │ └─ MindScale SkillsSaaS │ ├─────────────────────────────────────────────┤ │ 算法层Memory Algorithms │ │ ├─ MindVanilla开域无模板抽取 │ │ ├─ MindSchema按领域预设实体属性 │ │ ├─ Compact Search外层 Agentic 内层多路径 │ │ ├─ Dreaming离线整理、冲突消解 │ │ └─ Feedback显式/隐式信号回流 │ ├─────────────────────────────────────────────┤ │ 结构层Memory Structure │ │ └─ 「实体Entity— 属性Property— 时间Time」三维建模 │ └─────────────────────────────────────────────┘为什么是三层独立因为记忆是「跨 Agent 资产」不应该被某一家 LLM 厂商、某一个框架锁死。三层独立之后一个 OpenClaw 用户今天用 DeepSeek 写的代码明天切到 Claude Code记忆照样能用一家公司内部 5 个 Agent 共享同一份「客户档案」不再各自重建而传统方案比如直接把记忆塞到向量数据库里本质上是把记忆和算法绑死——换个 LLM 就要重训 embedding 模型换个 Agent 框架就要重写解析逻辑。2.2 三大核心机制① 实体-属性-时间 三维建模MindSchema传统长期记忆把对话切成文本片段或向量 chunk。MindMemOS用一个三维结构描述世界信息流。实体Entity → 人、项目、文件、工具、组织 属性Property → 名字、状态、偏好、高阶特征 时间Time → 这个属性「什么时候成立」「什么时候变化」举例「用户以前偏好 X现在改用 Y」——传统记忆会变成两条互不相干的文本片段MindMemOS 把它们放在同一实体同一属性的时间轴上你能直接看到 6 个月前的偏好怎么变成今天的偏好。两条抽取路径MindVanilla无需预设模板对话/文本/工具执行轨迹直接入库适合开域MindSchema先规定「这个领域关注哪些实体和属性」再切分话题、做属性级记忆生成、等价实体融合、图结构合并适合垂直域② Dreaming让 Agent 在「空闲时间」整理记忆人类睡觉时会做梦——大脑会把当天冗余、冲突、过时的记忆合并、归档、形成抽象规律。MindMemOS 的Dreaming 模块正是这个角色离线阶段扫描活跃记忆 ↓ 围绕相关实体局部扩展 ↓ 识别重复 / 冲突 / 演化 ↓ 执行合并冗余 / 归档旧事实 / 补充关系 / 发现新模式 ↓ 把整理结果写入持久记忆不靠每次回答时再判MindMemOS 在 MemoryAgentBench FactConsolidation 子集上验证在把19.4%—23.5% 活跃记忆转入归档即主动遗忘的同时Single-hop 与 Multi-hop 问答准确率最高提升 10.3 个百分点。少即是多——主动遗忘本身就是记忆质量的一部分。③ Feedback用户的一次纠正不能只修一条答案Dreaming 是系统主动整理Feedback 是让用户纠错信号回流。MindMemOS 同时支持两种反馈显式用户直接说「这条记忆错了应该是 Y 而不是 X」隐式在后续对话中表达不满、纠正偏好、隐性修正系统会判断这条信号属于当前任务临时信息 → 直接丢弃特定场景偏好 → 长期保留普遍规律 → 强化甚至迁移到「策略层」更关键的是Feedback 不只是改一条记忆而是反向修改「记忆提取 检索 组织」整套策略。论文 PersonaMem-Evo 案例用户说「我偏好临时约见」——改之前系统只记这条表层信息 → Top-10 召回 1 条模糊记忆 → 推荐「结构化群体活动」错改之后系统从多轮交互中识别出「喜欢临时或当天计划担心长期计划有变」「社交场景边界」 → Top-10 召回 3 条一致记忆 → 推荐「自发一对一活动」对④ Skill Evolution把 Skill 从「静态文档」升级为「可演进资产」这是 MindMemOS 最具想象力的部分——传统 SKILL.md 是写完就不动的# Spreadsheet Skill ## 用 openpyxl 打开工作簿 ## 用 ws.append() 添加数据MindMemOS 让它可以根据真实执行轨迹持续进化真实任务轨迹add → search → dream → evolve 闭环 ↓ 提取目标、关键转折、工具使用、最终结果 ↓ 聚合反复成功的策略 反复出现的失败 ↓ 生成针对当前 SKILL.md 的修改计划 ↓ 应用编辑生成新版本 ↓ 同步回后续任务两种模式MindEvolve-Unsup纯靠执行轨迹无监督演进MindEvolve-Sup有评分后做强化学习式演进论文在 400 个真实 Excel 任务的 SpreadsheetBench-Verified 上跑出模式任务成功率对比基线No-skill51.3%—Init-skill未演进48.0%反而比 No-skill 低 3.3%⚠️MindEvolve-Unsup55.3%4% / 7.3%MindEvolve-Sup57.2% ± 2.4%5.9% / 9.2%注意一个爆炸性发现未经优化的 Init-skill 居然比 No-skill 还差——因为它给 Agent 一份「看似有但其实有错」的规则反而制造干扰。这也解释了为什么很多团队把 Skill 装上之后发现没效果——Skill 不演进不如不装。三、性能炸裂——三项基准全 SOTA3.1 LoCoMo长对话记忆基准LoCoMo 包含 10 组超长多会话对话每组可达 30 轮考验 Agent 在「跨数十次对话」的长期事实召回能力。MindMemOS 使用 gpt-4.1-mini 作为回答模型整体配置对齐 EverOS。结果MindMemOS-Modeling 拿到 94.03 分 Overall Accuracy成为所有对比方法的最高结果。横向对比部分数据Mem0、Letta、Cognee、MemoryBank、A-Mem 等主流方案最高 89.xMindMemOS-Modeling94.03断崖式领先3.2 PersonaMem长期个性化基准PersonaMem 考验「用户画像 个性化推荐」的精准度。MindMemOS-MindSchema70.63%最高MindMemOS-MindVanilla67.74%Baseline65.5%3.3 SpreadsheetBench-VerifiedSkill 演进效果之前说过No-skill 51.3%、Init-skill 48.0%、MindEvolve-Unsup 55.3%、MindEvolve-Sup 57.2% ± 2.4%。这意味着同样一份 SKILL.md未经演进比不装还差经过演进比不装提升 11.5%。四、安装与上手——三分钟跑通一个 MindMemOS Demo4.1 最快路径云服务MindMemOS 云服务已开放注册Star GitHub 仓库即可获得更多使用额度。# 1. 访问官网注册 open https://mindmemos.cn # 2. 拿到 API Key export MINDMEMOS_API_KEYmm_your_key # 3. 安装 Python SDK pip install mindmemos4.2 本地部署完整开源栈# 1. 克隆仓库 git clone https://github.com/mindscale-noah/MindMemOS.git cd MindMemOS # 2. 一键启动Docker Compose docker-compose up -d # 3. 验证服务 curl http://localhost:8000/health # {status: ok, version: 0.3.0} # 4. 调用 add API 写入第一条记忆 curl -X POST http://localhost:8000/api/v1/add \ -H Content-Type: application/json \ -d { entity: user_19441, property: programming_style, time: 2026-08-06, value: 用户偏好函数式 Python反对 OOP } # 5. 调用 search API 检索 curl -X POST http://localhost:8000/api/v1/search \ -H Content-Type: application/json \ -d {query: 用户喜欢什么代码风格} # 返回结构化的「实体-属性-时间」记忆列表4.3 接入你的 OpenClaw AgentMindMemOS 官方提供了 OpenClaw 插件clawhub install mindmemos export MINDMEMOS_API_KEYmm_your_key # 在 openclaw config.yaml 添加 channels: memory: provider: mindmemos user_id: user_19441之后每次你和 Agent 对话它都会自动写入 MindMemOS下次开新会话Agent 自动从 MindMemOS 召回相关记忆。五、MindMemOS vs 同类——它到底强在哪和目前主流长期记忆方案对比维度Mem0 / Letta / CogneeMemoryBankMindMemOS架构定位插件 / 封装插件操作系统分层独立建模方式文本片段 向量文本片段 图实体-属性-时间三维跨 Agent 迁移❌ 绑定框架⚠️ 半迁移✅ 三层解耦全迁移冲突解决检索时临场判检索时临场判✅ Dreaming 离线归档 supersedes用户反馈⚠️ 仅显式⚠️ 仅显式✅ 显式 隐式双层回流Skill 演进❌ 静态文档❌ 静态文档✅ MindEvolve 自演进Up 9.2%LoCoMo 基准85-8980✅ 94.03 SOTA协议Apache / MIT闭源MIT开源可商用接入方式SDK私有 API✅ APISDKCLIOpenClaw插件Skills一句话定位差异Mem0 / Letta 把记忆当「向量库的缓存」Cognee / MemoryBank 把记忆当「图谱的节点」MindMemOS 把记忆当「独立的、可迁移的、自演进的操作系统」六、谁该立刻装——三类人行动指南‍ 个人开发者之前每次 Agent 跑长任务都「重新交代背景」 → 装 MindMemOS一次交代终身有效想要 Skill「越用越聪明」而不是「写完不动」 → 装 MindMemOS让你的 SKILL.md 自动演进 企业 / 团队多个 Agent客服、销售、编程、运营共享同一份「客户档案」 → 用 MindMemOS三层独立架构天然适合担心数据绑死在某一家 LLM 厂商 → MindMemOS MIT 开源 独立架构记忆迁移零成本 AI 算法工程师 / 研究者想研究长期记忆的演进机制 → 直接读 MindMemOS 源码Dreaming / Feedback / MindEvolve 都是论文级实现想在 LLM4AD自动算法设计领域跟进前沿 → MindMemOS 已在 LLM4AD_Next 上集成三层记忆Task/Project/Global针对算法搜索场景定制七、一些需要冷静看的点华为诺亚这次开源很猛但我们也得冷静一下新开源项目2026-08-03生产环境建议先小流量试点。LoCoMo 94.03 是 GPT-4.1-mini 作为回答模型的结果换模型可能分数波动。论文里 MindMemOS 也披露了在 Qwen / DeepSeek 等开源模型上的对比整体领先但绝对分不同。Dreaming 离线整理需要算力——按论文数据每天处理 10 万条记忆大约 30 分钟单卡 A100企业级落地时建议用云服务或排队机制。Skill 演进需要真实执行轨迹作为「监督信号」——如果你的 Skill 之前没有 add/search 调用反馈进化的效果会打折扣。八、写到最后——为什么这件事比你想的重要昨天的 AI Agent 是这样的「你好请给我项目背景、需求偏好、技术栈清单……」明天的 AI Agent 应该是这样的「上次你说想用 FastAPI uv 管理依赖Redis 缓存用 dict 协议别用 redis-py今天我直接按这个来了——对了你上次提到的 alembic 升级到 1.13你装了吗」这中间差的不是一次 prompt而是一整套「记忆操作系统」。MindMemOS 是 2026 年我们看到的第一份「分层解耦 自演进」的工业级长期记忆方案。它不是给某个 Agent 加一个 feature而是给整个 Agent 生态铺设一层基础设施。下一篇我会写 MindMemOS 接入 OpenClaw 的完整 demo包括怎么把 Self-Improving Agent、Planning-with-Files、Claude-Mem 这些热门 Skill 和 MindMemOS 串起来。关注我别错过。附录项目地址速查类型链接GitHubGitHub - mindscale-noah/MindMemOS · GitHub官网https://mindmemos.cn协议MIT云服务https://mindmemos.cn开放注册集成平台https://llm4ad-next.cn自动算法设计Star 数上线即破 Star新增持续截至 2026-08-06