MindMemOS：華為諾亞方舟實驗室開源的AI Agent記憶作業系統

在人工智慧領域，AI Agent的快速發展帶來了新的挑戰——如何讓智慧體在跨會話、跨平臺的任務中保持持久記憶。2026年8月3日，華為諾亞方舟實驗室正式開源了MindMemOS，一款專門為解決Agent“用完即忘”痛點而設計的記憶作業系統。本文將全面解析MindMemOS的核心功能、使用方法、核心優勢以及應用場景，幫助您快速瞭解這款顛覆性的AI Agent記憶管理工具。

什麼是MindMemOS？

MindMemOS是華為諾亞方舟實驗室開源的AI Agent記憶作業系統，能徹底解決Agent用完即忘的痛點。系統將記憶從單個Agent中解耦為可跨框架複用的獨立資產，採用實體-屬性-時間三維結構儲存最新狀態與完整演變軌跡。MindMemOS透過Dreaming離線整理記憶、Feedback挖掘使用者糾偏訊號、Skill Evolution基於真實執行軌跡持續演化技能，實現記憶與系統的共同進化。

該系統的核心創新在於將記憶層與Agent層分離，使得記憶成為可在不同框架間遷移和複用的長期資產，而非綁定在特定Agent上的短期資料。

MindMemOS的主要功能

• 3D記憶結構
  用實體、屬性、時間三維座標組織記憶，追蹤屬性演變軌跡與實體間語義關聯，實現結構化的記憶管理。
• 雙模式記憶提取
  MindVanilla開放域無模板快速入庫；MindSchema模式預設實體與屬性規則，適配不同業務場景。
• Compact Search檢索
  外層Agentic模組規劃檢索路徑，內層執行實體反查、多跳關係擴充套件、時間線追蹤等多路徑搜尋。
• Dreaming離線整理
  離線階段識別重複、衝突與演化關係，合併冗餘、歸檔失效版本、補充高階模式。
• Feedback反饋閉環
  支援顯式與隱式反饋，判斷訊號型別後執行新增、更新、歸檔、刪除或強化操作。
• Skill Evolution
  基於真實執行軌跡自動提取成功策略與失敗模式，生成Skill修改計劃並迭代版本。

如何使用MindMemOS？

對於開發者和企業使用者，MindMemOS提供了多種靈活的接入方式：

• 克隆倉庫並準備配置：透過cp .env.example .env和cp config/mindmemos/dev.example.yaml config/mindmemos/dev.yaml命令配置環境，在配置檔案中設定chat_model_router、embed_model_router、rerank_model_router及API key。
• 啟動服務：執行make dev啟動完整Docker依賴棧與FastAPI服務（預設埠8000），或make dev-core僅啟動核心依賴。
• 安裝並配置SDK：pip install mindmemos-sdk，執行mindmemos auth配置base_url、api_key和user_id。
• 新增與檢索記憶：透過SDK呼叫client.memory.add()寫入對話或事實，使用client.memory.search()執行檢索。
• 提交反饋：呼叫client.memory.feedback()或CLImindmemos memory feedback提交顯式或隱式糾偏訊號。
• 觸發Dreaming：執行mindmemos memory dreaming或呼叫dreaming API進行離線記憶鞏固。
• 註冊與演化Skill：透過mindmemos skill register註冊本地Skill，使用mindmemos skill evolve基於執行軌跡觸發版本演進。

MindMemOS的核心優勢

1. 記憶可遷移：解耦Agent接入層、記憶演算法層與記憶結構層，記憶作為獨立長期資產跨應用複用。
2. 結構化召回領先：LoCoMo整體準確率達94.03%（SOTA），PersonaMem達70.63%，顯著優於Mem0、MemU、Zep、EverOS等方案。
3. 少即是多的記憶質量：Dreaming在壓縮19.4%-23.5%活躍記憶的同時，將問答準確率最高提升10.3個百分點。
4. Skill自演進：未經最佳化的初始Skill反而低於無Skill基線，而MindEvolve-Sup將任務成功率從51.3%提升至57.2%，證明經驗沉澱為規則的價值。
5. 反饋驅動進化：Feedback機制將使用者糾偏訊號反向作用於記憶提取與檢索策略，形成持續最佳化的閉環。
6. 多接入方式：支援本地部署（Docker+FastAPI）、雲端API、Python SDK、CLI及OpenClaw外掛。

同類競品對比：MindMemOS vs Mem0

在與主流記憶管理方案Mem0的對比中，MindMemOS在記憶結構、檢索精度和系統演進能力等多個維度上展現出顯著的差異化優勢：

從上表可以看出，MindMemOS在記憶結構的設計深度、檢索準確率和系統自演進能力上全面超越Mem0，尤其在LoCoMo基準測試中以94.03%的準確率創造了新的行業標杆。

應用場景展望

MindMemOS作為記憶作業系統，其能力可廣泛應用於各類需要持久記憶和持續最佳化的場景：

• 個性化AI助手：跨會話保留使用者偏好、專案背景與歷史踩坑經驗，避免每次重新養Agent。
• 多Agent協作平臺：同一記憶庫供OpenClaw、Hermes、Claude Code、OpenHands等不同Agent共享複用。
• 自動演算法設計（LLM4AD）：將演算法搜尋中的有效經驗與避坑指南系統化為可檢索、可複用的三層記憶。
• 複雜辦公自動化：基於Skill Evolution持續最佳化表格處理、文件編輯等重複性任務的執行策略。
• 長期使用者畫像構建：追蹤使用者屬性隨時間的變化軌跡，支援個性化推薦與社交規劃。

總結

MindMemOS的開源釋出標誌著AI Agent記憶管理進入了一個全新階段。透過將記憶從Agent中解耦為獨立資產、採用三維結構化儲存、引入離線整理與反饋閉環機制，MindMemOS在記憶準確率、跨平臺複用性和系統自進化能力上均達到了行業領先水平。無論是其94.03%的LoCoMo準確率，還是Skill Evolution的持續最佳化能力，都預示著這款記憶作業系統將成為推動AI Agent走向真正智慧的核心基礎設施。對於關注AI Agent技術的開發者、企業和研究者而言，MindMemOS絕對是一款值得深入研究和部署的開源工具。