Daily Tech Briefing
AI 科技速览
每天 5 分钟内学习 AI。获取最新的人工智能新闻，理解其重要性，并学习如何将其应用于您的工作。
量子位 · 2026/8/3 02:51:33
AI不再用完即忘：华为诺亚开源MindMemOS，记忆和Skill一起进化
AI 中文解读
核心亮点：华为诺亚方舟实验室开源了MindMemOS，给AI装上“长期记忆”，让AI用完不再“失忆”，还能在空闲时自我整理和升级技能。
通俗解读：以前用AI就像每次换新员工，得从头交代背景和喜好。现在MindMemOS让AI的记忆能像档案一样分类保存，什么时间、什么对象、发生了什么，都记得清清楚楚。更厉害的是，AI还能像人一样在“睡觉”时整理记忆，扔掉过时信息，提炼规律，甚至从实际使用中学会新技能。下次换新AI，直接把这套“记忆档案”带走就行，不用再从头培养。
实际影响：对普通人来说，以后用AI写方案、做表格或处理工作项目，再也不用每次重新说一遍项目背景和个人偏好。AI会越用越懂你，像一位熟悉你工作的老搭档。企业也能节省大量重复沟通成本，AI助手真正从“一次性工具”变成能持续成长的工作伙伴。
首页
资讯
智能车
智库
活动
MEET大会
AIGC
扫码关注量子位
// $('.biaojiwei').click(function(){
$('.biaojiwei').click(function(event){
event.stopPropagation();
$('#pophead').show();
})
$('.weixin_pop').click(function(){
$('.weixin_pop').hide();
})
// })
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
AI不再用完即忘：华为诺亚开源MindMemOS，记忆和Skill一起进化
梦晨
2026-08-03
10:51:33
来源：量子位
面向AI Agent的可迁移、自演进记忆操作层MindMemOS
允中 发自 凹非寺量子位 | 公众号 QbitAI
Agent的能力越来越强，但使用体验仍有一个尴尬之处：
每换一个Agent甚至换一个session，就像换了一个完全不了解你的新员工。
用户偏好、项目背景和踩坑经验无法迁移，只能从头解释，再把新Agent“重新养一遍”。
真正的挑战不只在于“有没有记忆”，还在于四件事：
记忆带不走：记忆依附于单个Agent，无法跨应用和框架复用。
记忆视角不同：不同业务关注的实体、属性和提取规则完全不同，一套固定模板难以通用。
记忆系统不会成长：提取、检索和组织策略在开发完成后便基本固化，无法从真实使用与用户纠偏中持续演进。
记忆缺少时间维度：系统既要知道最新事实，也要保留事实如何变化、旧状态如何被新状态取代的过程。
为此，华为诺亚方舟实验室推出了面向AI Agent的可迁移、自演进记忆操作层MindMemOS：
它将记忆从单个Agent中解耦；
记忆建模以实体、属性、时间三维结构同时保存最新状态与完整演化轨迹；
通过MindSchema记忆模式预设记忆提取规则，或围绕给定任务与标注问答离线演化提取策略；
Feedback挖掘用户隐式的纠正性反馈，有选择地强化或降级已有记忆，从而提升记忆的可靠性及其与用户意图的一致性。
Dreaming离线巩固记忆，消解冲突，持续提升记忆质量。
MindMemOS想解决的不只是“怎样让Agent记住”，而是记忆怎样带得走，系统怎样知道该记什么，以及记忆与记忆系统怎样一起进化。
更直接的是结果：
MindMemOS在LoCoMo上取得94.03分，在PersonaMem上达到70.63%；
在MemoryAgentBench的FactConsolidation测试中，Dreaming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；
基于真实执行轨迹的Skill演进，则把SpreadsheetBench-Verified的任务成功率提升至57.2%±2.4%。
项目地址：
https://github.com/mindscale-noah/MindMemOS项目官网：https://mindmemos.cn
△MindMemOS将Agent接入、记忆算法与底层记忆结构解耦，并把质量优化和Skill Evolution纳入同一系统。
用「实体-属性-时间」重建记忆中的世界
MindMemOS首先改变了记忆的基本组织方式。
传统方案常把记忆保存为一组文本片段或向量块。MindMemOS则用一个三维结构描述开放世界的信息流：
实体（Entity）：人、项目、文件、工具、组织等持续存在的对象；
属性（Property）：对象的事实、偏好、状态和高阶特征；
时间（Time）：属性在什么时间成立，又在何时发生变化。
△每条记忆都可以落到“实体、属性、时间”的唯一坐标，同时保留实体关系和属性演变轨迹。
这相当于不再把“用户以前喜欢X”和“用户现在改用Y”当成两段互不相干的文本，而是把它们放回同一实体、同一属性的时间轴上。
实体之间可以建立语义关联，每个属性的演变也能被追踪。
在此之上，MindMemOS提供两条互补的记忆生成路径。
一条是MindVanilla模式。
它不依赖预先定义的建模模板，可以接收对话、文本和工具执行轨迹，适合开放域信息快速进入统一记忆库。
另一条是MindSchema模式。
系统先通过实体建模规定当前领域关注哪些实体和属性，再完成话题片段切分、属性级记忆生成、等价实体融合和图结构合并。
不同场景可以调整记忆提取规则种子，让同一套系统适配不同任务，而不必重写整个记忆基础设施。
检索时，MindMemOS也不是只做一次向量相似度匹配。
它设计了一套Compact Search：
外层Agentic模块负责分析查询、规划检索路径和判断信息是否充分；
内层工具则执行从实体到属性、从属性反查实体、多跳关系扩展和属性时间线追踪等多路径搜索。
简单来说，系统不只是寻找“最像问题的一段话”，而是在记忆图中寻找抵达答案最短、同时覆盖信息最充分的路径。
Dreaming：让Agent在「空闲时间」整理记忆
人类不会永久保留每个细节。我们会在回顾中合并重复信息、淘汰过时判断，并从多次经历中形成更抽象的认识。
业界把类似过程称为Dreaming。
Dreaming在离线阶段从尚未整理的记忆出发，围绕相关实体扩展局部范围，识别重复、冲突和演化关系，再生成具体操作：合并冗余内容、归档被新事实取代的旧记忆、补充关系，或发现更高阶的模式。
关键在于，这种整理结果会变成持久的记忆状态，而不是把判断压力留给每一次回答时的语言模型。
例如，当同一个实体对应两条相互冲突的事实时，普通检索可能把两条内容一起返回，再期待回答模型临场判断。
MindMemOS会在Dreaming阶段识别其中的替代关系，归档已经失效的版本，并保留supersedes关系。之后的普通检索拿到的是更干净、没有歧义的上下文。
这里有一个更直观的Case Study。
MemoryAgentBench先后写入两条互相冲突的事实，并规定后写入的事实应当覆盖旧版本。
Dreaming之前，两条记忆都会进入检索上下文，回答模型受到现实世界知识干扰而选择了旧答案；
Dreaming之后，系统把较早版本归档、建立supersedes关系，同一查询便只会得到当前有效的事实。
△Dreaming将冲突判断从每次查询时的临场推理，前移为可持续保存的离线记忆状态。
MindMemOS在MemoryAgentBench的FactConsolidation子集上，测试了这一机制：
结果显示，Dreaming并不是通过“记得更多”换取提升。
相反，它在提高Single-hop和Multi-hop得分的同时，将大约五分之一的活跃记忆转入归档（归档则不会被主动召回）。
这是一种典型的“少即是多”：减少干扰，本身就是提升记忆质量的一部分。
Feedback：用户的一次纠正，不应该只修一条答案
Dreaming负责系统主动整理，Feedback则让用户交互中的纠错信号回到记忆系统。
MindMemOS同时支持显式与隐式反馈。
用户可以直接用自然语言指出某条记忆错误，也可以在后续对话中表达不满、修正或新的偏好。
系统会判断这条信号是当前任务临时信息、特定场景偏好，还是适合长期保留的规律，再决定新增、更新、归档、删除或强化相关记忆。
这一步很重要，因为用户偏好往往不只是一个“是什么”的事实。
一个用户说自己偏好临时约见，真正影响推荐的可能是背后的原因：低压力安排反而能让其更可靠地赴约。
随着更多交互出现，系统需要逐渐补全“为什么”和“在什么场景下成立”，而不是无限新增相似的碎片。
论文中的PersonaMem-Evo案例展示了这种变化。
Feedback之前，系统只留下“偏好临时安排”这条表层信息，在Top-10中仅召回一条模糊相关记忆，最终给出了结构化群体活动这一错误选项。
Feedback从多轮交互中识别出真正稳定的关系是“喜
分享
阅读原文 ↗