openJiuwen AgentMemory 0.2.0上线OmniMem-Lens：让Agent按事件记住长视频

openJiuwen AgentMemory 0.2.0 版本正式上线了名为 OmniMem-Lens 的多模态记忆能力。它要解决的问题很具体：当一段视频长达三小时，Agent 究竟该怎样“记”，才能在用户提问时准确找回关键片段。按照团队公布的数据，这套方案让记忆召回精度最高提升 45.7%，在线问答时延最高降低 97%。

现有 Agent 处理超长视频时，海量信息会迅速超出上下文限制，处理能力和准确度随之下降。业界通行做法是把视频按固定时间窗口切开，例如每分钟一段，再让智能体分段记忆。这种方式看似整齐，却把连续的内容切成了互不相干的片段。

团队把固定切分的代价总结为两点：记忆被切碎，证据碎片化；记忆被稀释，证据被淹没。一段连贯讲解被窗口边界切断后，智能体只能拿到半截证据，回答时容易产生幻觉；而一个几秒钟的关键动作如果和几分钟无关画面打包在一起，检索细节时关键信息就会被噪音盖住。

OmniMem-Lens 的思路是同时用视觉和听觉两条轨迹理解视频。画面切换时，视觉流判断变化并标记边界；画面没有变化但讲者换了话题时，ASR 语音转录负责分辨。两条证据交叉对焦，切分点落在真实事件边界上，而不是秒表刻度上。

在存储层面，它建立了 L0、L1、L2 三层记忆单元：L1 类似目录，帮助定位大致章节；L2 类似索引，指向具体内容；L0 保留原始视频，需要核对细节时可回溯。L1 与 L2 完全文本化与向量化，可以接入主流向量数据库，对已有 RAG 或 Agent 技术栈的开发者来说改造量很小。

另一项设计是把繁重的记忆整理放在离线完成，在线只做检索。用户提问先与 L1、L2 记忆单元做语义匹配，快速定位精炼的多模态记忆；只有确实需要视觉细节验证时，系统才按需调取 L0 层的精确视频帧。这种“轻量文本索引加延迟调取原始视频”的链路，避免了每次提问都重看几小时素材。

团队在三个长视频问答评测集上做了对比，基线是直接用 Qwen3-VL-8B 处理视频问答。Video-MME-L 上召回精度提升 8%，LVbench 提升 6.4%，以第一人称记录日常生活的 EgoLife-QA 提升 45.7%。时延方面，LVbench 上 Qwen3-VL-8B 直答需要 34.5 秒，接入 OmniMem-Lens 后只需 1.72 秒，快了约 20 倍。

文章还给了两个例子说明差别。一段两小时的动画里，“女生离开、男生目送、幻想蝴蝶”这一完整事件从第 14 分 20 秒持续到第 16 分 50 秒，恰好横跨三个一分钟窗口，被切两刀后因果关系丢失；OmniMem-Lens 把它作为一整段存入。另一场产品评审会画面 40 分钟不变，但讲者先后讲了架构设计、性能压测和下季度排期三个议题，只靠视觉会打包成一条记忆，ASR 流则能听出话题转向并分别落刀。

当记忆的切分单位从固定时间窗口变成真实事件，长视频问答的精度和响应速度就同时有了提升的空间。openJiuwen 团队把 OmniMem-Lens 定位为智能体的“超级海马体”，该能力已在 openJiuwen AgentMemory 0.2.0 上线，代码托管在 gitcode 的 openJiuwen/agent-memory 仓库。文中还提到 WorkSwarm 即将支持对接这套记忆能力。对 Agent 赛道而言，长视频记忆正从“能不能存”变成“存得对不对、查得快不快”的基础设施竞争。