MindMemOS: A Portable and Self-Evolving Memory Operating Layer for AI Agents
MindMemOS：可移植自演化的 AI Agent 记忆操作系统
🧭 Agent 记忆操作系统与自我演化
Noah's Ark Lab, Huawei Technologies
提出实体-属性-时间三维记忆结构与四类自演化机制，实现可移植、自演化的 Agent 记忆层
📌 工作参考价值
- 用户画像与偏好演化：借鉴 3D entity-property-time 结构，把电商/推荐场景中的用户、商品、偏好事件建模为实体、属性、时间线，支持偏好变更、冲突版本管理与时序推理。相比纯文本记忆，更适合追踪用户兴趣漂移（例如 LOCOMO 的 temporal/multi-hop 问题）。
- 离线记忆压缩与冲突解决：Dreaming 机制把线上增量写入造成的冗余、过期、冲突记录离线合并、归档并保留 provenance。在推荐/广告场景可用于定期压缩用户行为记忆，保证活跃记忆库不过度膨胀，同时保持检索质量（论文中 AMCR 约 20%，准确率反升）。
- 隐式反馈分类与记忆修正：将用户对 Agent 的纠正按持久性分为 task-temporary / scenario-specific / long-term，避免把一次性指令写入长期记忆。电商导购、对话式推荐中可据此捕获用户隐含偏好与约束，减少重复推荐错误，尤其适合处理“这次不要”、“以后都这样”等模糊纠正。
- 轨迹驱动的技能演化：MindSkillEvolve 将 Agent 执行轨迹提炼为可复用、版本化的技能，可通过 unsupervised 或 score-guided 方式持续改进 SOP。可迁移到客服/导购 Agent 的流程能力迭代：用真实对话与任务执行日志自动总结高效策略与失败模式，生成可回滚的技能版本。
动机
现有 LLM Agent 记忆系统大多在部署后保持固定，难以适应新场景、维护增量写入带来的冗余与冲突，且记忆内容与程序技能分离，无法将执行经验转化为可复用能力。MindMemOS 旨在提供一个可移植、自演化的记忆操作系统层。
方法关键点
- 三维记忆结构：以实体（entity）、属性（property）、时间（time）为三个维度组织记忆，支持关系与时间线追踪，统一表达事实、画像、偏好与事件。
- 双模式记忆写入：MindVanilla 不依赖 schema 进行粗粒度提取；MindSchema 利用可配置 schema 进行细粒度实体-属性抽取、实体融合与图合并。
- 紧凑搜索：混合 BM25 + 稠密语义检索，支持前向/后向图遍历与实体/属性多键增强，由 LLM 控制器迭代规划。
- 四类自演化机制：
- MindMemEvolve：用验证驱动的进化搜索优化记忆 schema，通过错误诱导变异、随机变异与交叉发现一阶/高阶属性；
- Dreaming：离线合并冗余、解决冲突、归档过期记忆，保留溯源关系；
- Feedback：显式与隐式反馈将用户纠正转化为记忆增删改操作，并按持久性分类；
- MindSkillEvolve：从执行轨迹中提炼可复用技能，支持无监督与有监督演化。
关键实验
- LOCOMO 长程对话记忆：MindSchema 总体准确率 94.03%，超过 EverOS 的 93.05%，在 Single-hop、Multi-hop、Temporal、Open-domain 均最优。
- PersonaMem 个性化：MindSchema 总体 70.63%，比 EverOS 高 3.06 个百分点，Recall Shared 与 Suggest 提升显著。
- MemoryAgentBench 冲突解决：Dreaming 在 gpt-5-mini 下整体准确率 0.545→0.585，同时压缩约 22.5% 活跃记忆。
- SpreadsheetBench 技能演化：MindSkillEvolve-Sup 相对 Init-skill 提升 9.2 个百分点（48.0→57.2），相对 No-skill 提升 5.9 个百分点。
最值得记住的一句话
通过显式实体-属性-时间结构、验证驱动 schema 演化、离线 dreaming 与隐式反馈分类，实现记忆系统的可移植与自演化。