AI不再用完即忘：华为诺亚开源MindMemOS，记忆和Skill一起进化

华为诺亚方舟实验室正式开源MindMemOS——一个面向AI Agent的可迁移、自演进记忆操作层。项目代码已发布到GitHub（github.com/mindscale-noah/MindMemOS），采用MIT License，官网mindmemos.cn上的云服务也已开放注册试用。据量子位报道，这直接回应了当前Agent使用体验中的尴尬：每换一个Agent甚至一个session，就像换了一个完全不了解用户的新员工，偏好、项目背景和踩坑经验都无法迁移。

MindMemOS把记忆从单个Agent中解耦，用「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。传统方案往往把记忆存成文本片段或向量块，而MindMemOS把「用户以前喜欢X」和「用户现在改用Y」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，系统提供两条互补的记忆生成路径：MindVanilla不依赖预定义模板，可接收对话、文本和工具执行轨迹，适合开放域信息快速入库；MindSchema则先通过实体建模规定领域关注点，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。检索环节也并非只做一次向量匹配，而是通过Compact Search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。

系统还引入了类似睡眠巩固的Dreaming机制：在离线阶段识别重复、冲突和演化关系，合并冗余内容、归档被新事实取代的旧记忆，并建立supersedes关系。在MemoryAgentBench的FactConsolidation子集上，Dreaming在提高Single-hop和Multi-hop得分的同时，把约五分之一的活跃记忆转入归档——「少即是多」，减少干扰本身就是提升记忆质量。

Feedback机制则让用户的纠错回到记忆系统：既支持用户直接用自然语言指出记忆错误，也能从后续对话中捕捉不满、修正或新偏好，再决定新增、更新、归档、删除或强化相关记忆。论文中的PersonaMem-Evo案例显示，Feedback能从多轮交互中识别出真正稳定的偏好关系，并为其补上场景边界，从而改变后续检索结果。

记忆之上，MindMemOS把Skill视为记忆系统的关键应用，提供云端Skill注册、版本链、同步和回滚能力，并通过统一接口收集真实任务轨迹。轨迹积累后，系统可通过MindEvolve-Unsup做无监督演进，或结合任务评分做监督式演进（MindEvolve-Sup）。在包含400个真实表格操作任务的SpreadsheetBench-Verified上，未经优化的初始Skill甚至低于不使用Skill，而无监督演进把成功率从51.3%提升到55.3%，加入评分后进一步达到57.2%。

在两项主流长期记忆基准上，MindMemOS也拿到领先结果：在LoCoMo上，MindMemOS-Modeling的Overall Accuracy达到94.03，为所有对比方法中的最高值；在长期个性化基准PersonaMem上，MindSchema配置达到70.63%，MindVanilla配置为67.74%。架构上，MindMemOS将Agent接入层、记忆算法层与记忆结构层解耦，开源代码提供FastAPI HTTP接口、Python SDK、CLI、Skills以及OpenClaw插件等接入方式。

这种解耦带来的直接价值是可迁移性：记忆不再绑定在某个Agent的私有实现中，而可以成为用户、项目或组织独立维护的长期资产。MindMemOS还已接入自动算法设计平台LLM4AD_Next，把算法搜索中的反馈转化为可存储、可检索、可复用的经验资产，并支持Auto与Manual两种记忆调度方式。

值得关注的是，这一方向把竞争焦点从「单次任务做得多好」转向「完成一百次任务后留下了什么」。随着更多Agent框架接入MindMemOS这类记忆操作层，记忆有望成为跨应用复用的独立基础设施，而Skill的版本化、可回滚管理也可能成为Agent长期能力的标配。接下来可以观察其云服务的采用情况，以及记忆与Skill演进机制在其他Agent生态中的落地效果。