哈喽大家好我是最近在焦虑的顾北我最近在关注一个项目叫MemOS。起因是我在跑一个长期 Agent 任务的时候发现一个让人抓狂的问题每次对话重新开始AI 完全不记得上次做了什么。哪怕我在 MEMORY.md 里写了一堆上下文token 消耗还是噌噌往上涨而且随着会话变长AI 开始答非所问。这根本问题是什么大模型没有真正意义上的记忆管理系统。MemOS 就是来解决这个问题的。AI 的失忆症比你想象的更严重现在的 LLM记忆系统基本上就两种参数记忆训练进去的知识烧死在权重里改不了也不会自动更新上下文记忆当前 session 的对话历史窗口关了就消失RAG 算是一个补丁但它本质上是个无状态系统——只管检索不管生命周期不管演化不管跨平台迁移。你用一个 Agent 用了三个月它依然不知道你叫什么名字不知道你的工作习惯不知道上次任务是怎么解决的。每次都在烧你的钱给你一个失忆的 AI。MemOS 的核心思路把记忆当成操作系统资源来管MemOS 来自 MemTensor上海记忆张量科技和上海交通大学、人民大学、北京大学等多所高校的联合研究2025 年 7 月在 arXiv 发表论文随后开源。它的核心思想其实一句话能说清楚像操作系统管理 CPU、内存、存储一样统一管理 AI 的记忆。传统 OS 把内存抽象成可调度的系统资源MemOS 把 AI 的记忆也做成了一等公民有生命周期、有优先级、有调度器、有垃圾回收。三种记忆类型统一管理MemOS 定义了三类记忆并统一纳管记忆类型含义对应传统 OS参数记忆模型权重里的知识ROM/固件激活记忆KV Cache运行时状态RAM明文记忆可读写的文本记忆磁盘存储以前这三类各自为政互不沟通。MemOS 用一个叫MemCube的标准化容器把它们封装在一起每个记忆单元都带有元数据创建时间、来源、相关性评分、生命周期状态。MemScheduler记忆调度器类比 OS 的进程调度器MemOS 有一个MemScheduler来负责决定哪些记忆应该被召回检索哪些记忆已经过时应该被清除遗忘哪些记忆应该被合并升级进化这套调度机制让 AI 在回答问题前会先主动检索相关记忆而不是傻乎乎地把整段历史对话全塞进 prompt。MemOS 2.0「星尘 Stardust」现在的进度截至今天2026 年 3 月 16 日MemOS 已经发布到v2.0.9代号「星尘 Stardust」GitHub Star 数超过 7100Fork 数 62640 位贡献者迭代了 21 个版本。几个关键数据拎出来准确率 vs OpenAI Memory 43.70%LoCoMo 基准测试 75.80 分减少 35.24% 记忆 token 消耗LongMemEval 40.43%PersonaMem 40.75%PrefEval-10 2568%偏好记忆评估对 OpenClaw 用户来说最直观的数字是token 消耗从 1560 万降到 440 万减少 72%。Skill 记忆从「记住」到「学会」最近的版本里MemOS 推出了一个我觉得很有意思的能力Skill Memory技能记忆。转化路径大致是用户历史对话 → 任务结构抽取 → 能力模式归纳 → Skill 生成 → Agent 调度执行说人话就是AI 从你们之前的对话里自动归纳出「这个任务怎么做最高效」把它变成一个可复用的技能模块。下次遇到同类任务直接调用这个 Skill而不是重新推理一遍。这个能力的价值在于记忆不只是上下文数据而是可以指导行为的执行能力。从「记住发生了什么」进化到「学会了怎么做」。给 OpenClaw 用户本地插件直接用MemOS 为 OpenClaw 提供了两个版本的插件云端插件Cloud Plugin72% 更低的 token 用量多 Agent 共享记忆同一个 user_id多个 Agent 实例自动同步上下文本地插件Local Pluginmemos-claw完全本地化所有数据存 SQLite零云依赖内置 Web 管理面板记忆/任务/技能全可视化分级模型策略Embedding 用轻量模型摘要用中等技能提炼用高质量——按需分配安装方式openclaw plugins install memtensor/memos-local-openclaw-plugin openclaw gateway start# Memory Viewer → http://127.0.0.1:18799启动后浏览器打开管理面板可以直接查看、编辑、删除记忆不再是黑盒。多模态记忆图片也能进记忆库v2.0.x 版本还加了一个细节多模态记忆。之前图片解析是孤立的没有上下文约束。新版本在 LLM 解析图片时会结合历史对话内容用户当前输入的文字生成的记忆质量明显更高能捕捉到用户的主观表达和情感线索而不只是「图片里有一个芒果」这样的硬描述。# 多模态记忆添加示例messages: [ {role:user,content:我是小王。}, {role:assistant,content:小王你好}, {role:user,content: [ {type:text,text:我正在吃水果这是我的最爱}, {type:image_url,image_url: {url:...}}# 芒果图片]} ]# 生成记忆用户可能对芒果有特别的喜好或情感连接我的判断MemOS 在做的事情在我看来是真正必要的基础设施工作而不是套壳。把记忆管理抽象成操作系统层面的资源调度这个思路是对的。现在各家 AI 产品都在自己做一套「记忆」但大多数停留在「存一个 txt 文件」或「往 prompt 里塞历史」的层面工程粗糙没有生命周期管理也没有演化能力。当然也有不确定的地方。论文里的 benchmark 数字很好看但 benchmark 和实际生产环境之间永远有 gap。Skill 自动提炼的质量在复杂任务上能不能扛住多 Agent 共享记忆的一致性怎么保证这些我还没有深度测过。但这个方向是对的值得持续关注。项目刚发布 9 个月已经迭代了 21 个版本这个节奏说明团队在认真做。相关链接GitHubhttps://github.com/MemTensor/MemOS本地插件官网https://memos-claw.openmem.net/论文arXiv 2507.03724你在用什么方案给 Agent 加记忆欢迎评论区聊聊。我是顾北我们下期再见