AI Agent 的记忆操作系统:MemOS 2.0 深度解析

引言：记忆，是 AI 进化的下一站

大模型的能力边界已经不再是"会不会"，而是"记不记得"。

每次对话重新开场、每个任务重新交代背景、每段经验用完即弃——没有长期记忆的 AI Agent，本质上是在用算力重复做同一件事。MemOS（Memory Operating System）正是为解决这个问题而生的开源项目：为 LLM 与 AI Agent 提供统一的长期记忆层，将 store（存储）/ retrieve（检索）/ manage（管理） 三件事收敛到一套系统里。

项目由 MemTensor 团队维护，GitHub 上已有 10.7k star，当前版本为 MemOS 2.0（代号 Stardust，星尘），配套的学术论文已发表于 arXiv（编号 2507.03724）。本文基于官方 README 与文档，对 MemOS 2.0 的架构、特性、基准与部署形态做一次完整拆解。

• • 官网：https://memos.openmem.net
• • 文档：https://memos-docs.openmem.net
• • 代码：https://github.com/MemTensor/MemOS

设计哲学：记忆不是黑盒

多数记忆系统做的是"embedding 进、向量出"的黑盒操作——存进去容易，但你永远不知道 AI 到底记住了什么、记错了什么。

MemOS 的设计出发点恰恰相反：记忆必须可检视、可编辑、可审计。

它把记忆组织成图结构，通过统一的记忆 API 完成增删改查。这意味着你可以直接查看 AI 的记忆图谱、手动修正某一条错误记忆、甚至删除某段不该存在的记录。记忆对用户是透明的，而不是一个只进不出的黑洞。

这一点，是 MemOS 与大多数"记忆插件"最本质的区别。

五大核心特性

1. 统一记忆 API：一套接口管全部

MemOS 提供单一 API 完成记忆的添加、检索、编辑与删除，底层以图结构存储。对开发者而言，接入成本只有一次：不需要为不同的记忆类型维护不同的存储方案。

2. 多模态记忆：不止是文本

原生支持**文本、图像、工具轨迹（tool traces）、人设（personas）**四种记忆载体，并在同一套检索体系里统一推理。AI 不仅能记住你说了什么，还能记住它执行任务时的完整过程，以及你希望它扮演的角色设定。

3. 多立方体知识库（Multi-Cube KB）

这是 MemOS 2.0 最独特的设计之一：多个知识库以可组合的记忆立方体（memory cubes）形式管理，支持隔离、受控共享、动态组合。不同用户、不同项目、不同 Agent 之间的记忆可以严格隔离，也可以在授权下共享——多 Agent 协作时，既能让各自的记忆互不干扰，又能按需合并共享上下文。

4. MemScheduler 异步摄入：毫秒级写入

记忆写入走异步调度，延迟控制在毫秒级，在高并发场景下保持生产级稳定。AI Agent 在实时交互中产生的大量记忆不会阻塞主流程，而是由 MemScheduler 后台消化。

5. 记忆反馈与修正：用自然语言纠错

记忆不是一次写入就永远正确的。MemOS 允许用户用自然语言反馈来修正记忆——补充、更正、替换某条记忆，AI 会据此调整自己的"认知"，而不是将错就错。

性能基准：多个榜单领跑

MemOS 通过 OmniMemEval 统一评测框架，在 5 个用户记忆任务与 5 个 Agent 记忆任务上，与 14 款主流商业记忆产品横向对比，主要成绩：

• • LoCoMo 88.83（长对话记忆）
• • LongMemEval 89.20（长期记忆评估）
• • PersonaMem v2 40.58（人设记忆）
• • HaluMem 80.91（记忆幻觉抑制）
• • BEAM-10M 56.75 / GDPVal 62.07（复杂记忆检索）
• • LiveCodeBench 64.96 / OmniMath 61.00 / SWE-Bench 38.46（Agent 任务能力）

更具说服力的是实测效果：在五个 Agent 任务上，接入 MemOS 后 OpenClaw 的平均任务完成率从 36.63% 提升到 50.87%——接近 15 个百分点的提升，说明记忆层对 Agent 能力的增益是实打实的。

四种部署形态，按场景选

其中 Local Plugin 值得单独说明：它实现了 100% 本地、零云依赖的长期记忆——持久化 SQLite 存储、FTS5 全文检索 + 向量检索的混合检索、智能去重、分层技能进化（L1 轨迹 → L2 策略 → L3 世界模型 → Skill 结晶）、多 Agent 协作，并附带完整的 Memory Viewer 可视化面板。数据完全掌握在用户自己手里，这也是 MemOS"记忆是你的"理念的落地形态。

写在最后

从图结构记忆到多模态承载，从异步摄入到自然语言纠错，从四个部署形态到多个榜单领跑——MemOS 2.0 试图回答的问题只有一个：当 AI 拥有了可以持续生长、可检视、可纠错的记忆，它的能力边界会在哪里。

论文给出了初步答案：任务完成率提升近 15 个百分点，长对话记忆评测 89 分以上。

对 AI Agent 开发者来说，记忆层正在成为与推理能力同等重要的基础设施。而 MemOS 的可贵之处在于：它把"记忆操作系统"这件听起来很重的事，做成了开源、可本地部署、可审计的工程产品。

想上手？从 GitHub 仓库（10.7k star）或官方文档开始，五到十分钟就能把记忆装进你的 Agent。用过的朋友，欢迎在评论区聊聊你的 Agent 装上记忆后的变化。

核心观点：MemOS 2.0 用可检视的图结构记忆 + 多模态承载 + 多立方体知识库 + 毫秒级异步摄入，把"AI 长期记忆"做成了一套开源、可部署、经得起基准检验的记忆操作系统。

推荐标签：#MemOS #AI记忆 #大模型 #AI Agent #知识库 #开源 #架构 #效率工具