盯着这行字，我沉默了五秒，不是说好的私人管家吗？怎么前后连半个小时都不到，就把我交代你的事忘了？

这是我用 AI 干了三年活之后，最深的一个挫败感。

小龙虾最大的问题，不是能力不够，而是新开一个 session 之后，之前任务的过程和偏好几乎都丢了。它更像是临时对话缓存，而不是真正的长期记忆。

然后，我刷到了 MemOS Local Plugin 2.0 的发布通告。

 第一次试，被一组数字钓住 

MemOS之前就刷到过，也听说过他们在AI记忆方面的工作。但 5 月 9 号这次 2.0 发布，我刷到这么一组数字。

同等任务下，模型调用频率下降 59.5%，总 token 消耗下降 70%，任务精度从 23.73% 提升到 31.68%。 

关键是最后那个精度。

一般来说，省 token 跟提精度是有冲突的，你塞给模型的上下文少了，它该有的信息缺失，精度通常会跌。结果这玩意又省了又提，那就只能是一种解释，省掉的本来就是噪音。

怀着试试的心态，我直接就装了。

curl -fsSL <https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh> | bash

就这一行。

安装脚本会自己检测你机器上有没有装 OpenClaw 和 Hermes，两个插件，都用这一行命令。

我这台上 OpenClaw 是常驻的，Hermes 也有但用得少。脚本两边都接上了，给我开了两个 Viewer 端口，OpenClaw 是 18799，Hermes 是 18800。

我打开 18799 那个，瞄了一眼。会话、任务、技能等六个标签页，每条记忆都能点进去看细节。

我盯着这个东西看了几分钟，心里就有一个预感。

这玩意，可能真的不一样。

「执行即学习」到底是个什么东西 

现在，回过头来聊聊 MemOS Local Plugin 2.0 到底干了什么？

传统的 AI 记忆方案，你可以把它想象成一本日记。OpenClaw 帮你干完一件事，最后日记本上写一行「2026 年 4 月 15 日，帮主人在 packages/ui 加了一个 Button 组件」。下次你又问类似问题，它去日记里查，搜到这一条，给你抄回来。

听着是不是没毛病？但你仔细想想就会发现，干这件事的过程里有 25 个 tool call 啊。

哪一步是关键？哪一步是无效试探？为什么第 12 个 tool call 突然就让它想通了？这些信息全在日记之外，全在那个被关掉的 session 里，蒸发了。

MemOS 2.0 干的事是，把这 25 步全部记下来，每一步都打上标签。

按官方的说法，每个回合都会过一条五步加工流水线，捕获、反思、价值估算、归纳、注入。捕获就是把这一步的动作、观察、Agent 的反思全部抓下来。然后估算这一步对最终成功的贡献有多大。再然后从一堆同类轨迹里归纳共性。最后下次类似任务进来的时候，把这些东西按需注入到上下文里。

现在我只要直接告诉小龙虾：“再做一次上次我让你执行的那个搜索热门Skill的任务。”它会直接从记忆系统中调出上次的流程，并严格复现一遍。

这就是在使用相同提示词的情况下，有MemOS和没有MemOS的差别。任务流程可以被严格复刻，搜索的目标网站也完全相同。

换句话说，你的每一次任务执行，其实都在推动小龙虾完成一次迭代升级。

官方管这个叫「执行即学习」。

听着抽象，我举一个我前两天踩到的真坑。

我让小龙虾帮我搭一个 ComfyUI 的工作流，跑公众号的配图。中间它要在 Alpine 容器里装 lxml 这个 Python 包，结果一直跪。普通的 memory 如果记一下，最多记一句，「Alpine 下装 lxml 失败，后来修好了」。

MemOS 2.0 不一样。它会把这段过程切成下面这样。

Step 1, 直接 pip install lxml观察, 编译失败，缺少 libxml2头文件反思, 不是 Python 包版本问题，是 Alpine 的 musl 环境缺少构建工具Step 2, apk add build-base libxml2-dev libxslt-dev观察, 这次编译进了，但卡在 C 扩展链接阶段反思, 还差一个 zlib-dev，下次新 Alpine 镜像里这套都得提前备Step 3, 一次性把全套依赖装齐观察, 跑通反思, 之后再遇到任何 Alpine + 编译型 Python 包的场景，先装这一套

每一步都带着「动作 / 观察 / 反思」三个维度，每一步都有评分。哪一步是关键路径，Step 1 那条反思救了大命；哪一步只是试探，直接 pip install 那次属于低价值；它都分得清。

这让我感觉到，Agent 不是事后自己写报告，而是干活的时候每一步都在被记录、被评分、被归纳。

另外让我深有感触的一点是——它真的在帮我省Token！省钱的事情谁不喜欢呢。

 MemOS帮了我大忙 

接下来聊聊MemOS在我自己的活儿里到底帮了多少忙。

一个工具到底值不值得装，还得看它在你最高频、最具体的日常里，能不能真的省心。

一.创作助手

我最有体感的场景是写作。

以前每次让 AI 帮我列文章大纲，我都要重新喂一遍固定结构，新开一个对话，它就忘了。

装上 MemOS 之后，我只系统教过它一次，以后再给新选题，它都会默认按那套结构输出。

更意外的是，有次我临时写了一条和旧规则冲突的要求，它还会主动提醒我：“这次是特例，还是要覆盖原来的写作风格？” 

这已经不只是记住偏好，而是开始用历史标准校对当前任务。

二.团队协作

如果是团队使用，MemOS 还支持把记忆同步到云端，能把一个人打磨出来的工作流复用给整个团队。

而且，平时不只是我在积累记忆，所有小伙伴都在积累记忆。这样一来，好用的记忆就能以几何倍数增长，真正让OpenClaw越用越好用。

不过，云端插件和本地插件的安装方式略有不同，云端插件需要先去官网获取API，才能进行记忆同步，API可以在官网免费获取。

 一份核心，两个Agent都能用 

聊到这儿你可能也注意到了，我前面一直在说 OpenClaw，但开头我也提了一句这台机器上 Hermes 也接上了。

这次 2.0 发布最关键的一个产品决策是，OpenClaw 和 Hermes Agent 用的是同一份核心。

什么意思呢？

大家可以看一下这张图，适配器各自不同，但底下的算法、存储、检索、Skill 生命周期，全是同一份。

这个架构的好处用一句话讲，你的记忆资产不会因为换 Agent 工具就清零。

而且官方说了，从 2.0 这一版开始，未来新的 Agent 接入都通过这个本地插件同步支持。

这件事的真正份量，可能要再过一两年才会显出来。

因为我们正在进入一个 Agent 越来越多、越来越细分的时代。今天有 OpenClaw、有 Hermes、有 Claude Code、有 Codex，明天还会冒出来更多。你的真正资产，不应该被绑死在任何一个具体工具上。

你的「本地世界知识」应该是你自己的。你的工作怪癖、你踩过的坑、你磨出来的 Skill，应该跟着你走，而不是跟着工具走。

这个想法挺野的，但我觉得方向是对的。

 如何安装MemOS 

这里给大家提供几种安装方法：

1.我文章开头一键帮两个Agent安装，Hermes和OpenClaw同时拥有记忆

2.把MemOS的GitHub链接直接丢给OpenClaw，它就会自动开始安装。

大家把下面这条提示词发给小龙虾，就可以开始自动安装了：

在我的电脑中安装这个项目：

https://github.com/MemTensor/MemOS/tree/main

3.如果大家想钻研一下技术，也可以手动安装，在官方文档写的非常详细：

地址：https://memos-docs.openmem.net/cn

如果你看到这儿决定要试试，我有几条实操经验给你。

1.至少连续用两周再下结论，因为记忆系统需要积累过程数据。

2.每天打开一次 Viewer 的 Skills 标签看一眼。看着自己的 Agent 长技能这件事是个很强的正反馈，会让你更愿意持续用下去。

3.如果你有历史 session 数据，尽量导入，能更快把底子搭起来。

4.多给明确反馈，满意或不满意都直说，系统更容易学到有效偏好。  

 总结一下 

OpenClaw被誉为近年来最好用的Agent之一，但“重启就失忆”这个缺点确实很不方便，而且它也不会主动存储记忆，用起来比较麻烦。

而MemOS正好填补了这方面的缺陷，让OpenClaw这类 Agent拥有主动存储记忆的能力，使成功任务可以被总结、复现，进而成为真正懂你的私人管家。

如果你不满足于表层的对话存储，而是有办公自动化、内容创作、复杂链式任务沉淀与复用等需求，可以试试MemOS。

目前它支持OpenClaw和Hermes，未来如果出现更多同类型的Agent，MemOS也会很快跟进支持。

因为它不是一个插件或Skill，而是一套记忆系统。大家可以关注一下MemOS的GitHub，一起参与Agent记忆系统的开发。

开源链接在这儿👇

https://github.com/MemTensor/MemOS

如果觉得不错，顺手点个 Star。我个人挺希望这个项目能跑出来的