每日热门skill-炸裂开源！华为诺亚放大招：MindMemOS 让 AI Agent 真正「不忘事」，LoCoMo 跑出 94.03 分碾压同级

一份来自 2026 年 8 月 3 日的「AI Agent 记忆操作系统」深度报告 Skill：MindMemOS ｜ 作者：华为诺亚方舟实验室 ｜ 协议：MIT GitHub：GitHub - mindscale-noah/MindMemOS · GitHub ｜ 官网：https://mindmemos.cn

一句话总结

MindMemOS 是华为诺亚方舟实验室刚开源的「AI Agent 记忆操作系统」。它把记忆从单一 Agent 中剥离，用「实体—属性—时间」三维结构重建长期记忆，并首创「Dreaming 离线整理」+「Feedback 反馈强化」+「Skill 自演进」三大机制，让 AI 在跨会话、跨应用、跨框架的情境下还能记住你是谁、踩过什么坑、擅长做什么事。

在公认难的 LoCoMo 长对话记忆基准上拿下94.03 分 SOTA，PersonaMem 长期个性化70.63%，比同期最强基线还高几个身位。

一、为什么是 MindMemOS？——Agent 用了都说「健忘」的故事

上周三凌晨 12 点，我给 Claude Code 连续提了 8 个任务：

• 第 1 个：帮我建一个 Python 工程模板，配 pytest、ruff、uv
• 第 3 个：在模板里加上 SQLAlchemy + Alembic
• 第 5 个：把 pytest 改成 asyncio 模式
• 第 7 个：再加一个 FastAPI demo
• 第 8 个：「上次你帮我建的那个工程模板，能加上 Redis 缓存吗？」

AI 一脸懵：「抱歉，我没有之前的上下文，请告诉我项目结构。」

我直接裂开——上一秒它还在帮我写 alembic，下一秒就失忆了。

这不是我一个人遇到的问题。在 quantum bit（量子位）最近的开发者调研里，78.4% 的 Agent 重度用户把「记忆丢失」列为第一痛点，比「幻觉」还高 11 个百分点。

为什么？

答案很扎心：2025 到 2026 年，AI Agent 的能力在工具调用上突飞猛进，但在「记忆」这件事上，依然是各自为战的孤岛——

8 月 3 日，华为诺亚方舟实验室正式开源 MindMemOS——专门治这个病。

它上来就把口号喊得很明确：不是再做一套 Mem0/MemoryBank，而是给 Agent 装一个独立的「记忆操作系统」。

二、MindMemOS 到底是什么？——一文讲透三个核心架构

很多读者可能会疑惑：市面上的长期记忆框架已经有 Mem0、Letta（以前叫 MemGPT）、Cognee、Memary、MemoryBank……华为这套又有什么不一样？

核心区别是一句话：MindMemOS 是「操作系统」级别的抽象，而不是「插件」级别的封装。

它把 Agent 的记忆拆成三层独立架构，并且设计了三大在线/离线机制。

2.1 三层独立架构

┌─────────────────────────────────────────────┐ │ 接入层（Agent Adapters） │ │ ├─ OpenClaw / Claude Code 插件 │ │ ├─ FastAPI HTTP 接口 │ │ ├─ Python SDK / CLI │ │ └─ MindScale Skills（SaaS） │ ├─────────────────────────────────────────────┤ │ 算法层（Memory Algorithms） │ │ ├─ MindVanilla（开域，无模板抽取） │ │ ├─ MindSchema（按领域预设实体属性） │ │ ├─ Compact Search（外层 Agentic + 内层多路径） │ │ ├─ Dreaming（离线整理、冲突消解） │ │ └─ Feedback（显式/隐式信号回流） │ ├─────────────────────────────────────────────┤ │ 结构层（Memory Structure） │ │ └─ 「实体（Entity）— 属性（Property）— 时间（Time）」三维建模 │ └─────────────────────────────────────────────┘

为什么是三层独立？

因为记忆是「跨 Agent 资产」，不应该被某一家 LLM 厂商、某一个框架锁死。三层独立之后：

• 一个 OpenClaw 用户今天用 DeepSeek 写的代码，明天切到 Claude Code，记忆照样能用
• 一家公司内部 5 个 Agent 共享同一份「客户档案」，不再各自重建

而传统方案，比如直接把记忆塞到向量数据库里，本质上是把记忆和算法绑死——换个 LLM 就要重训 embedding 模型，换个 Agent 框架就要重写解析逻辑。

2.2 三大核心机制

① 实体-属性-时间 三维建模（MindSchema）

传统长期记忆：把对话切成文本片段或向量 chunk。

MindMemOS：用一个三维结构描述世界信息流。

实体（Entity） → 人、项目、文件、工具、组织 属性（Property） → 名字、状态、偏好、高阶特征 时间（Time） → 这个属性「什么时候成立」「什么时候变化」

举例：「用户以前偏好 X，现在改用 Y」——传统记忆会变成两条互不相干的文本片段；MindMemOS 把它们放在同一实体同一属性的时间轴上，你能直接看到 6 个月前的偏好怎么变成今天的偏好。

两条抽取路径：

• MindVanilla：无需预设模板，对话/文本/工具执行轨迹直接入库（适合开域）
• MindSchema：先规定「这个领域关注哪些实体和属性」，再切分话题、做属性级记忆生成、等价实体融合、图结构合并（适合垂直域）

② Dreaming：让 Agent 在「空闲时间」整理记忆

人类睡觉时会做梦——大脑会把当天冗余、冲突、过时的记忆合并、归档、形成抽象规律。

MindMemOS 的Dreaming 模块正是这个角色：

离线阶段扫描活跃记忆 ↓ 围绕相关实体局部扩展 ↓ 识别重复 / 冲突 / 演化 ↓ 执行：合并冗余 / 归档旧事实 / 补充关系 / 发现新模式 ↓ 把整理结果写入持久记忆（不靠每次回答时再判）

MindMemOS 在 MemoryAgentBench FactConsolidation 子集上验证：在把19.4%—23.5% 活跃记忆转入归档（即主动遗忘）的同时，Single-hop 与 Multi-hop 问答准确率最高提升 10.3 个百分点。

少即是多——主动遗忘，本身就是记忆质量的一部分。

③ Feedback：用户的一次纠正，不能只修一条答案

Dreaming 是系统主动整理，Feedback 是让用户纠错信号回流。

MindMemOS 同时支持两种反馈：

• 显式：用户直接说「这条记忆错了，应该是 Y 而不是 X」
• 隐式：在后续对话中表达不满、纠正偏好、隐性修正

系统会判断这条信号属于：

• 当前任务临时信息 → 直接丢弃
• 特定场景偏好 → 长期保留
• 普遍规律 → 强化甚至迁移到「策略层」

更关键的是：Feedback 不只是改一条记忆，而是反向修改「记忆提取 + 检索 + 组织」整套策略。

论文 PersonaMem-Evo 案例：用户说「我偏好临时约见」——

• 改之前：系统只记这条表层信息 → Top-10 召回 1 条模糊记忆 → 推荐「结构化群体活动」（错）
• 改之后：系统从多轮交互中识别出「喜欢临时或当天计划，担心长期计划有变」+「社交场景边界」 → Top-10 召回 3 条一致记忆 → 推荐「自发一对一活动」（对）

④ Skill Evolution：把 Skill 从「静态文档」升级为「可演进资产」

这是 MindMemOS 最具想象力的部分——

传统 SKILL.md 是写完就不动的：

# Spreadsheet Skill ## 用 openpyxl 打开工作簿 ## 用 ws.append() 添加数据

MindMemOS 让它可以根据真实执行轨迹持续进化：

真实任务轨迹（add → search → dream → evolve 闭环） ↓ 提取目标、关键转折、工具使用、最终结果 ↓ 聚合反复成功的策略 + 反复出现的失败 ↓ 生成针对当前 SKILL.md 的修改计划 ↓ 应用编辑，生成新版本 ↓ 同步回后续任务

两种模式：

• MindEvolve-Unsup：纯靠执行轨迹无监督演进
• MindEvolve-Sup：有评分后做强化学习式演进

论文在 400 个真实 Excel 任务的 SpreadsheetBench-Verified 上跑出：

注意一个爆炸性发现：未经优化的 Init-skill 居然比 No-skill 还差——因为它给 Agent 一份「看似有但其实有错」的规则，反而制造干扰。

这也解释了为什么很多团队把 Skill 装上之后发现没效果——Skill 不演进，不如不装。

三、性能炸裂——三项基准全 SOTA

3.1 LoCoMo（长对话记忆基准）

LoCoMo 包含 10 组超长多会话对话（每组可达 30+ 轮），考验 Agent 在「跨数十次对话」的长期事实召回能力。

MindMemOS 使用 gpt-4.1-mini 作为回答模型，整体配置对齐 EverOS。

结果：MindMemOS-Modeling 拿到 94.03 分 Overall Accuracy，成为所有对比方法的最高结果。

横向对比（部分数据）：

• Mem0、Letta、Cognee、MemoryBank、A-Mem 等主流方案：最高 89.x
• MindMemOS-Modeling：94.03（断崖式领先）

3.2 PersonaMem（长期个性化基准）

PersonaMem 考验「用户画像 + 个性化推荐」的精准度。

• MindMemOS-MindSchema：70.63%（最高）
• MindMemOS-MindVanilla：67.74%
• Baseline：65.5%

3.3 SpreadsheetBench-Verified（Skill 演进效果）

之前说过：No-skill 51.3%、Init-skill 48.0%、MindEvolve-Unsup 55.3%、MindEvolve-Sup 57.2% ± 2.4%。

这意味着同样一份 SKILL.md：未经演进比不装还差，经过演进比不装提升 11.5%。

四、安装与上手——三分钟跑通一个 MindMemOS Demo

4.1 最快路径（云服务）

MindMemOS 云服务已开放注册，Star GitHub 仓库即可获得更多使用额度。

# 1. 访问官网注册 open https://mindmemos.cn # 2. 拿到 API Key export MINDMEMOS_API_KEY="mm_your_key" # 3. 安装 Python SDK pip install mindmemos

4.2 本地部署（完整开源栈）

# 1. 克隆仓库 git clone https://github.com/mindscale-noah/MindMemOS.git cd MindMemOS # 2. 一键启动（Docker Compose） docker-compose up -d # 3. 验证服务 curl http://localhost:8000/health # {"status": "ok", "version": "0.3.0"} # 4. 调用 add API 写入第一条记忆 curl -X POST http://localhost:8000/api/v1/add \ -H "Content-Type: application/json" \ -d '{ "entity": "user_19441", "property": "programming_style", "time": "2026-08-06", "value": "用户偏好函数式 Python，反对 OOP" }' # 5. 调用 search API 检索 curl -X POST http://localhost:8000/api/v1/search \ -H "Content-Type: application/json" \ -d '{"query": "用户喜欢什么代码风格？"}' # 返回结构化的「实体-属性-时间」记忆列表

4.3 接入你的 OpenClaw Agent

MindMemOS 官方提供了 OpenClaw 插件：

clawhub install mindmemos export MINDMEMOS_API_KEY="mm_your_key" # 在 openclaw config.yaml 添加 channels: memory: provider: mindmemos user_id: user_19441

之后，每次你和 Agent 对话，它都会自动写入 MindMemOS；下次开新会话，Agent 自动从 MindMemOS 召回相关记忆。

五、MindMemOS vs 同类——它到底强在哪？

和目前主流长期记忆方案对比：

一句话定位差异：

• Mem0 / Letta 把记忆当「向量库的缓存」
• Cognee / MemoryBank 把记忆当「图谱的节点」
• MindMemOS 把记忆当「独立的、可迁移的、自演进的操作系统」

六、谁该立刻装？——三类人行动指南

👨‍💻 个人开发者：

• 之前每次 Agent 跑长任务都「重新交代背景」 → 装 MindMemOS，一次交代终身有效
• 想要 Skill「越用越聪明」而不是「写完不动」 → 装 MindMemOS，让你的 SKILL.md 自动演进

🏢 企业 / 团队：

• 多个 Agent（客服、销售、编程、运营）共享同一份「客户档案」 → 用 MindMemOS，三层独立架构天然适合
• 担心数据绑死在某一家 LLM 厂商 → MindMemOS MIT 开源 + 独立架构，记忆迁移零成本

🧪 AI 算法工程师 / 研究者：

• 想研究长期记忆的演进机制 → 直接读 MindMemOS 源码，Dreaming / Feedback / MindEvolve 都是论文级实现
• 想在 LLM4AD（自动算法设计）领域跟进前沿 → MindMemOS 已在 LLM4AD_Next 上集成，三层记忆（Task/Project/Global）针对算法搜索场景定制

七、一些需要冷静看的点

华为诺亚这次开源很猛，但我们也得冷静一下：

1. 新开源项目（2026-08-03），生产环境建议先小流量试点。
2. LoCoMo 94.03 是 GPT-4.1-mini 作为回答模型的结果，换模型可能分数波动。论文里 MindMemOS 也披露了在 Qwen / DeepSeek 等开源模型上的对比，整体领先但绝对分不同。
3. Dreaming 离线整理需要算力——按论文数据每天处理 10 万条记忆大约 30 分钟单卡 A100，企业级落地时建议用云服务或排队机制。
4. Skill 演进需要真实执行轨迹作为「监督信号」——如果你的 Skill 之前没有 add/search 调用反馈，进化的效果会打折扣。

八、写到最后——为什么这件事比你想的重要

昨天的 AI Agent 是这样的：

「你好，请给我项目背景、需求偏好、技术栈清单……」

明天的 AI Agent 应该是这样的：

「上次你说想用 FastAPI + uv 管理依赖，Redis 缓存用 dict 协议别用 redis-py，今天我直接按这个来了——对了，你上次提到的 alembic 升级到 1.13，你装了吗？」

这中间差的不是一次 prompt，而是一整套「记忆操作系统」。

MindMemOS 是 2026 年我们看到的第一份「分层解耦 + 自演进」的工业级长期记忆方案。它不是给某个 Agent 加一个 feature，而是给整个 Agent 生态铺设一层基础设施。

下一篇我会写 MindMemOS 接入 OpenClaw 的完整 demo，包括怎么把 Self-Improving Agent、Planning-with-Files、Claude-Mem 这些热门 Skill 和 MindMemOS 串起来。

关注我，别错过。

附录：项目地址速查