文章目录1 现在用Agent的人谁没被记忆坑过1.1 换个会话就失忆比鱼记性还差1.2 记了也白记用的时候全是干扰2 华为诺亚搞了个MindMemOS专门治这个失忆症2.1 先把记忆的底层逻辑改了三维结构2.2 两种录入模式啥场景都能接2.3 检索也不是瞎搜是走最优路径找答案3 闲着没事自己整理记忆这个Dreaming功能绝了3.1 冲突记忆自动处理不用临场抱佛脚3.2 少即是多删东西反而更准4 用户提一句意见整个系统都跟着进化4.1 明着暗着的反馈它都能接住4.2 改的不是一条答案是整个记忆逻辑5 光记喜好没用还得学会怎么把事干成5.1 踩过的坑都变成下次的避坑指南5.2 有没有评分都能自己进化6 跑分成绩说话直接干到SOTA6.1 两个主流基准成绩都能打6.2 表格任务提升肉眼可见7 记忆解耦才是大招再也不用绑定单个Agent7.1 各种接入方式想用就用7.2 还能用到科研里少走重复弯路8 最后说句实在的P.S. 无意间发现了一个巨牛的人工智能教程非常通俗易懂对AI感兴趣的朋友强烈推荐去看看 传送门https://blog.csdn.net/HHX_011 现在用Agent的人谁没被记忆坑过1.1 换个会话就失忆比鱼记性还差不知道你们有没有这种崩溃瞬间同一个Agent关个页面再打开立马化身最熟悉的陌生人。你前一天刚跟它掰扯清楚的项目背景、个人偏好、踩过的天坑转头就全忘干净。每次开新会话都像招了个新实习生你得从基础要求讲到避坑指南从头开始带教。好不容易带顺手了换个Agent框架、换个应用又得重来一遍纯纯无效加班。1.2 记了也白记用的时候全是干扰就算有些产品号称有长期记忆本质上也就是把聊天记录堆成山。检索全靠向量相似度碰运气经常把八百年前的无关内容翻出来凑数。前后说过矛盾的信息它不管一股脑全塞给大模型自己临场发挥。更离谱的是不同业务关注点天差地别一套固定模板走天下最后记的全是没用的边角料。说白了现在的记忆系统要么记不住要么记不对要么用不上。2 华为诺亚搞了个MindMemOS专门治这个失忆症2.1 先把记忆的底层逻辑改了三维结构普通记忆系统存的是一段段零散文本跟随手记的便签似的找的时候全靠翻。MindMemOS直接换了个思路用「实体‑属性‑时间」搭了个三维记忆架子。人、项目、文件、工具这些持续存在的东西叫实体事实、偏好、状态这些叫属性再加上一条时间轴。每条记忆都有唯一坐标什么时候生效、什么时候变了前因后果清清楚楚。再也不会把“你以前喜欢A方案”和“你现在改用B方案”当成两条不相干的废话。2.2 两种录入模式啥场景都能接怕预设模板太死板适配不了业务它直接准备了两条路子。一种是无模板的开放模式对话、工具执行记录啥的直接往里存上手快适合开放域场景。另一种是自定义Schema模式你定好关注哪些实体哪些属性它就按你的规则精准提取。不同业务换个规则种子就行不用把整个记忆系统推翻重写省老事了。2.3 检索也不是瞎搜是走最优路径找答案找记忆也不是比谁的文本更像关键词人家玩的是路径规划。外层先分析你的查询需求规划好检索路径内层再执行实体查属性、属性反推实体、多跳找关联、追踪时间线。说白了不是找“最像问题的一段话”是找能回答问题的最完整、最准确的信息。3 闲着没事自己整理记忆这个Dreaming功能绝了3.1 冲突记忆自动处理不用临场抱佛脚人睡觉的时候大脑会自动复盘整理白天的记忆这个Dreaming功能干的就是同款事。Agent空闲的时候它就自己扒拉记忆库识别重复内容、冲突信息、演化关系。该合并的合并该归档的归档还能挖出更深层的规律全给你整理得明明白白。换以前两条矛盾的记忆一起冒出来全靠大模型现场猜对错猜不准就直接翻车。现在倒好空闲的时候就把账算明白了真到用的时候拿到的全是干净无歧义的信息。3.2 少即是多删东西反而更准别以为记忆存得越多越好没用的信息多了全是干扰项纯纯帮倒忙。实测下来Dreaming能把大约五分之一的活跃记忆转去归档平时检索不会主动蹦出来。结果呢问答准确率最高直接涨了10.3个百分点。就像你收拾办公桌把没用的废纸、过期文件全扔了找正经文件自然就快多了。4 用户提一句意见整个系统都跟着进化4.1 明着暗着的反馈它都能接住光系统自己闭门造车整理还不够用户的意见才是黄金校准器。你直接说“你记错了”这种明确纠正算反馈你对话里表达不满、修改结果、提出新偏好它也能捕捉到。然后自动判断这是临时任务信息、特定场景偏好还是适合长期保留的规律再对应更新记忆。4.2 改的不是一条答案是整个记忆逻辑普通Agent的纠错基本就是改这一次的答案下次该错还错。就像你跟实习生说这个报表数错了他就改这一个数下次别的报表还能犯同款错。MindMemOS不一样它会从反馈里挖背后的深层原因直接更新记忆的语义结构。比如你说不爱提前很久约局它不会只记“不爱提前约”还会慢慢摸清楚你是怕计划赶不上变化更适合轻松的一对一局。一次反馈整条相关的记忆链路都跟着升级从根上避免再踩同个坑。5 光记喜好没用还得学会怎么把事干成5.1 踩过的坑都变成下次的避坑指南记用户偏好只能说更懂你能把干活的经验沉淀下来才是真的能帮上大忙。它直接把Skill也纳入了记忆系统还带版本链、同步回滚跟迭代代码似的。每次任务的执行轨迹都会存下来成功的策略、踩过的坑、失败的原因全都攒着。攒够一定量就自动生成修改方案更新Skill版本把踩过的坑全写成避坑规则下次直接避开。5.2 有没有评分都能自己进化没任务评分也没关系它能自己从反复成功和失败的轨迹里总结规律无监督进化。要是有明确的任务评分那就更精准了高分的做法强化低分的错误直接抑制。就拿表格操作任务来说初始的Skill本质就是个工具说明书教你怎么打开文件、怎么写数据。结果呢还不如不用过时的规则净添乱公式不自动计算、行数统计虚高这些坑一个没避开。进化完就不一样了什么保存完要复核、操作前先做快照、别把公式当数值全给你写成硬规则。最后任务成功率直接涨了快10个百分点这可都是实打实踩坑踩出来的经验。6 跑分成绩说话直接干到SOTA6.1 两个主流基准成绩都能打说这么多花里胡哨的实际效果怎么样上基准测试遛遛就知道了。LoCoMo超长多会话对话测试直接拿了94.03分是所有对比方法里的最高分。面向个性化的PersonaMem测试最高做到了70.63%的准确率也比基线方法强不少。说白了结构化记忆不是为了看起来整齐是真能实打实提升召回和推断的准确率。6.2 表格任务提升肉眼可见Skill演进的效果更直观在400个真实表格任务的测试里。无监督进化就把成功率从51.3%拉到了55.3%加上监督信号直接干到57.2%。别小看这几个百分点真实工作里少踩一个坑就能省你半小时的排查时间。7 记忆解耦才是大招再也不用绑定单个Agent7.1 各种接入方式想用就用最核心的设计是它把记忆从Agent里拆出来了变成了独立的操作层。HTTP接口、Python SDK、命令行、插件啥接入方式都有增删改查加反馈加整理全生命周期功能齐全。记忆不再是某个Agent的私有资产变成了你自己的数字资产换啥Agent、换啥框架都能直接用。本地部署、云端调用都行用的是MIT开源协议想怎么二次开发都没问题。现在云服务已经开放注册试用去GitHub给项目点个Star还能拿到更多使用额度。7.2 还能用到科研里少走重复弯路这东西不光能给普通业务Agent用搞科研的场景也特别好使。比如自动算法设计以前模型很容易反复试早就被证伪的方案纯纯浪费算力和时间。现在接入MindMemOS成功的经验、失败的教训全存下来还分了任务、项目、全局三层记忆。下次再做类似任务直接调用历史经验不用从零开始瞎试。还支持手动选择注入哪些记忆全程可视化做消融对照实验也方便。8 最后说句实在的现在Agent圈都在卷模型大小、卷工具数量卷来卷去都是单次任务的能力。但真要长期用、深度用拼的其实是会不会积累、能不能进化。是越用越臃肿、越用越乱的聊天记录还是越用越聪明、越用越顺手的记忆系统差别可太大了。从记住用户偏好到沉淀做事经验这大概就是Agent从一次性工具变成长期协作者的关键一步。P.S. 无意间发现了一个巨牛的人工智能教程非常通俗易懂对AI感兴趣的朋友强烈推荐去看看传送门https://blog.csdn.net/HHX_01 
