华为诺亚开源MindMemOS：为AI Agent打造可迁移、自演进的记忆操作层

事件概述

华为诺亚方舟实验室开源MindMemOS，面向AI Agent提供可迁移、自演进记忆操作层。该系统的核心是将记忆从单个Agent中解耦，以“实体-属性-时间”三维结构保存最新状态与完整演化轨迹，并通过Dreaming、Feedback和Skill演化让记忆内容与记忆系统一起进化。代码已以MIT License公开在GitHub。

核心设计

• 记忆建模：记忆不再是一组文本片段或向量块，而是落到“实体、属性、时间”坐标上，可追踪实体关系和属性演变。MindVanilla模式面向开放域信息快速入库；MindSchema模式通过预定义实体与属性规则，生成适合特定领域的结构化记忆。
• 检索：Compact Search不依赖单次向量匹配，而是由外层Agentic模块规划检索路径，内层工具执行从实体到属性、多跳关系扩展和属性时间线追踪等搜索。
• Dreaming：在离线阶段对未整理记忆做合并、归档和冲突消解。例如同一实体存在冲突事实时，系统会归档旧版本并建立supersedes关系，后续检索只返回当前有效事实，减少回答模型的临场判断负担。
• Feedback：支持显式纠错和隐式反馈，判断信号属于临时信息、特定场景偏好还是长期规律，再决定新增、更新、归档或强化记忆。目标不只是修改单条记忆，而是让反馈反向作用于记忆提取、检索和组织策略。
• Skill演进：把Skill视为记忆系统的应用。系统收集真实任务轨迹，提取目标、关键转折、工具使用和最终结果，从反复成功的策略和失败模式中生成Skill版本。无任务评分时做无监督演进，有评分时强化高分轨迹行为、抑制低分轨迹错误。

关键数据

• LoCoMo上Overall Accuracy达到94.03，为对比方法中最高；PersonaMem上MindSchema达到70.63%，MindVanilla以67.74%略高于Baseline。
• MemoryAgentBench的FactConsolidation测试中，Dreaming在压缩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。
• SpreadsheetBench-Verified真实表格操作任务中，初始Skill低于No-skill，说明过时或不适配任务分布的指南反而可能造成干扰。MindMemOS的无监督演进将成功率从51.3%提升至55.3%，加入任务评分后达到57.2%±2.4%，相比No-skill提升5.9个百分点，相比初始Skill提升9.2个百分点。

以表格任务为例，Skill演化能从失败轨迹中提炼出“公式不会被openpyxl自动重算”“格式化空行会让ws.max_row虚高”“保存成功不代表结果通过验证”等可执行约束，而不是堆叠更多API教程。

开放与接入

MindMemOS在架构上解耦Agent接入层、记忆算法层与底层记忆结构。开源代码提供FastAPI HTTP接口、Python SDK、CLI、Skills和OpenClaw插件，覆盖add、search、update、delete、feedback、dreaming等记忆生命周期操作。项目地址：https://github.com/mindscale-noah/MindMemOS

应用案例

MindMemOS已接入自动算法设计平台LLM4AD_Next，将算法搜索中的反馈转化为可复用经验。该平台按任务记忆、项目记忆、全局记忆三层组织经验，支持Auto Mode自动匹配历史经验和Manual Mode手动选择需要注入的记忆。