MemOS 2.0 星尘版深度解读：为什么 AI Agent 需要自己的记忆操作系统

拾光·开源拾遗 技术创作者 2026-09-17 12 阅读

MemOS 2.0 星尘版深度解读：为什么 AI Agent 需要自己的”记忆操作系统”

如果你用过 AI 编程助手，大概率遇到过这种情况：昨天刚告诉它”这个项目用 pnpm，不用 yarn”，第二天它又推荐 yarn 命令。上下文窗口再大，也装不下整个项目的历史交互。这就是当前 AI Agent 最被低估的短板——没有持久记忆，只有会话级上下文。

MemOS 想解决的就是这个问题。它不是又一个 KV 存储或者向量数据库，而是一套专门为 LLM 和 AI Agent 设计的记忆操作系统。2025 年由上海交大、同济、浙大、中科大、人大等高校联合 MemTensor 团队发布，GitHub 已斩获 11,445 颗星，妥妥进入 Agent 基础设施的第一梯队。

它实际上在做什么

大多数 Agent 的记忆方案本质上是一个嵌入向量库：把对话塞进去，检索时做相似度匹配。这种方式有三个天然缺陷——不知道记忆的生命周期（哪些该保留、哪些该淘汰）、无法处理记忆之间的关联关系、检索结果没有结构化上下文。

MemOS 的做法是把记忆按操作系统的方式组织。它把记忆抽象成几个核心概念：

Cube（记忆立方体）：类似操作系统的文件夹，每个 Cube 是独立的记忆容器，可以按用户、项目、Agent 分开管理。你可以让不同项目有不同的记忆空间，互不干扰。

三层记忆架构：L1 是对话轨迹（Trace），L2 是策略模式（Policy），L3 是世界模型（World Model），最顶层还有 Skills 层支持跨任务复用。这和人类记忆的”工作记忆→短期记忆→长期记忆→技能化”结构高度相似。

反馈驱动的自我修正：不需要手动管理记忆，MemOS 支持用自然语言反馈来修正记忆——告诉它”上次判断错了，应该是这样”，它会自动更新对应记忆，而不是重新训练模型。

真实性能数据

团队在 OmniMemEval 上对比了 14 款主流商业记忆产品，MemOS 拿下多个第一：

基准 MemOS 分数 对比说明
LoCoMo（时序推理） 88.83 比 OpenAI 基线提升 159%
LongMemEval 89.20 长程记忆评估领先
HaluMem 80.91 幻觉记忆检测
OmniMemEval 综合第一 14 款商业产品横评

更实际的是接入效果：集成 MemOS 后，OpenClaw 在 5 个 Agent 任务上的平均任务完成率从 36.63% 提升到 50.87%，提升幅度接近 40%。这在真实任务上是可感知的差距，不是刷分。

支持多少框架

这是 MemOS 做得比较聪明的地方——它没有做单一集成，而是同时支持四条接入路径：

Cloud API：申请一个 API Key（以 mpg- 开头），直接调 MemOS 的托管服务，适合不想运维基础设施的团队。默认 API 地址：https://memos.memtensor.cn/api/openmem/v1

自托管部署：用 Docker Compose 跑全套（MemOS API + Neo4j 图数据库 + Qdrant 向量数据库），数据完全在自己服务器上，适合企业内网场景。

OpenClaw 插件：Cloud Plugin 零运维接入 MemOS Cloud，Local Plugin 100% 本地（SQLite + FTS5 混合检索），有 Memory Viewer 可视化面板。OpenClaw 用户可以直接 openclaw plugins install。

DeepSeek Harness 插件（2026年8月刚发布）：支持本地和云端两种模式，Agent 执行任务前自动召回相关上下文，任务完成后自动沉淀新记忆，不需要改动 DeepSeek Harness 核心代码。

适合谁，不适合谁

MemOS 的边界其实比较清晰：

适合：需要跨会话保持上下文的 AI 应用（如 AI 客服、个人助手、研究 Agent）；多 Agent 协作场景（共享或隔离的记忆空间）；企业需要数据自主可控但又不想从零搭记忆层。

不适合：一次性问答场景（不需要记忆）；对延迟极其敏感且无法接受网络调用的实时系统；内存和存储资源极度受限的边缘设备（MemOS 完整运行需要 Neo4j + Qdrant）。

实际复现路径

如果你想体验，最快的方式是 OpenClaw 用户：

openclaw plugins install memos-local-plugin

然后配置你的 OpenClaw 和 MemOS 连接参数，记忆就开始自动累积了。

或者直接体验 Cloud API（个人项目免费额度够用）：

import requests

API_KEY = "你的 mpg-xxx key"
base = "https://memos.memtensor.cn/api/openmem/v1"
headers = {"Authorization": f"Token {API_KEY}"}

# 搜索相关记忆
res = requests.post(f"{base}/search/memory", headers=headers, json={
    "query": "这个用户偏好什么？",
    "user_id": "alice"
})
print(res.json())

为什么这个方向值得关注

RAG 解决的是”知识在哪里”的问题，MemOS 解决的是”知识怎么变成 Agent 可以用的记忆”的问题。随着 AI Agent 在编程、客服、研究等场景真正落地，记忆层的需求会从”可选”变成”必须”。MemOS 目前是开源记忆操作系统里跑得最快的，生态接入（OpenClaw、DeepSeek Harness、Hermes）也在快速扩展。

文档地址：https://memos-docs.openmem.net
论文：https://arxiv.org/abs/2507.03724

链接汇总

评论区

0 条评论

登录后可评论。

拾光·开源拾遗 12 阅读