大家好，我是肆〇柒。在瀏覽論文時，我發現了一款用于構建 AI 應用的infra框架，它可以應用在 Agent 的 Memory 的管理構建上。今天，我就為大家介紹一下這款框架 ——MemOS。這一創新性的 Memory 操作系統，由 MemTensor（上海）科技有限公司聯合上海交通大學、中國人民大學以及中國電信研究院等多家頂尖機構共同研發，目的是為了解決當前大型語言模型（LLM）在 Memory 管理方面的關鍵痛點。它首次將 Memory 提升為一類操作資源，為 LLM 的持續進化、個性化智能以及跨平臺協作鋪就了道路，推動智能系統從單純的信息處理者向具有記憶、適應和進化能力的認知主體邁進。

當下，LLM 已然成為邁向通用人工智能（AGI）的基石。它們憑借驚人的語言感知與生成能力，重塑了我們與信息交互的方式。然而，它們在 Memory 處理機制上存在顯著短板。目前，模型主要依賴兩種 Memory 形式：參數 Memory （知識編碼在模型權重中）和短暫的激活 Memory （受限于上下文的運行時狀態）。這種局限性使得 LLM 難以有效處理長期對話狀態、適應知識變遷、建模用戶偏好，還導致了跨平臺的 “Memory 孤島” 困境。MemOS 的誕生，為構建更加智能、高效和協作的 AI 生態鋪平了道路。

LLM Memory 發展：從懵懂到覺醒

下圖展示了 LLM Memory 研究的三個階段，能幫助大家直觀的理解各階段在 Memory 探索上的側重點差異。

LLM 中的記憶體

Memory 定義與探索階段：記憶的雛形

大型語言模型的 Memory 研究起步于對 Memory 本質的探索。隱式 Memory ，如參數 Memory ，通過預訓練和適配器（比如lora adapter）方法將知識直接融入模型權重，成為模型理解世界的基石；而顯式短期激活 Memory ，借助 KV 緩存與隱藏狀態，維系著推理過程中的上下文連貫性。激活 Memory 雖能支持短期記憶，卻受限于模型的上下文窗口；顯式長期 Memory 則依賴外部檢索機制，嘗試以結構化形式（如知識圖譜）增強語義關聯，但這些方法多是零散的 “補丁”，缺乏系統性與統一性。例如，早期的 KV 緩存機制雖能有效保存短期對話狀態，卻難以應對復雜多輪對話中的知識更新需求。

類人記憶的出現階段：模仿人類的認知模式

隨著技術演進，研究者開始從人類大腦架構中汲取靈感。HippoRAG 等系統模仿人類記憶的長期持久性與上下文意識，試圖賦予模型類似人類的記憶特性。這些系統在多輪對話中展現出驚人的連貫性，能夠根據上下文動態調整記憶內容。例如，HippoRAG 利用神經生物學原理，構建了具有長期記憶存儲和短期記憶激活的雙層架構，使模型在處理復雜任務時能夠像人類一樣調用長期記憶中的知識，并結合當前上下文進行推理。

系統 Memory 管理階段：邁向整合與規范

在這一階段，工具如 EasyEdit 和系統如 Letta 等開始出現，它們支持顯式的 Memory 操作與模塊化調用。然而，這些系統在統一調度和跨角色 Memory 融合方面仍顯不足。它們更多是對 Memory 操作的初步嘗試，未能形成完整的 Memory 管理生態。例如，Letta 實現了基于頁面上下文的管理和模塊化調用，但在處理多智能體協作和跨平臺 Memory 共享時，缺乏有效的協調機制。

MemOS 設計理念：重塑 Memory 管理的范式

下圖清晰呈現模型能力進化與 Memory 系統引入及范式轉變的關聯。

模型能力發展的下一個飛躍將依賴于記憶系統的引入，這標志著一個向“記憶訓練”范式轉變的開始

Memory 作為核心資源的轉變：從 “理解” 到 “進化”

隨著 AGI 系統復雜性的提升，語言模型的角色也在發生轉變。MemOS 的設計理念深刻認識到這一變化：語言模型不再僅僅是信息的處理者，更應成為知識的積累者、記憶的管理者和持續進化的生命體。傳統擴展法則（scaling law）逐漸走向瓶頸，研究范式從數據和參數中心的預訓練向對齊和微調的后訓練范式轉變。MemOS 的引入，標志著 “Memory 訓練” 時代的到來，它將學習與推理融為一體，使模型在持續交互中不斷優化自身 Memory 結構。這種范式轉變提升了模型的性能，更為其賦予了適應動態環境的能力，使其能夠像人類一樣在實踐中成長。

回顧 LLM Memory 發展歷程，我們清晰看到，現有方法雖在一定程度上拓展了 LLM 的 Memory 能力，但始終未能突破記憶孤島、缺乏統一調度與系統性管理的困境。而 MemOS 正是為攻克這些難題而出現的。

MemOS 的核心目標與愿景：構建可持續智能生態

MemOS 的核心目標是為 LLM 提供一個 Memory 中心的訓練與執行框架。它通過結構化 Memory 存儲、接口級調用、生命周期管理以及統一調度和版本控制機制，構建可持續智能進化的基礎架構。例如，MemOS 能夠實時追蹤 Memory 單元的使用頻率和上下文相關性，根據這些指標動態調整 Memory 的優先級和訪問權限，從而確保關鍵知識在多任務場景下的高效利用。同時，MemOS 強調 Memory 調度、演化和治理的重要性，打破智能體、用戶、應用和會話之間的 Memory 孤島，支持長期能力增長和安全合規模型操作，為構建一個開放、協作且不斷進化的智能生態奠定基石。

MemOS 的 Memory 類型與 MemCube：統一 Memory 的基石

Memory 類型：多樣化的 Memory 形態

• 參數 Memory ：作為模型前饋和注意力層中的長期知識，它通過預訓練或微調直接編碼在模型權重中，是零樣本生成和能力驅動智能體的基礎。例如，在醫療領域，通過可插拔的 LoRA 基模塊，可以將復雜的醫學知識高效注入模型。這些模塊能夠精準捕捉疾病的癥狀與機制之間的關聯，使模型在處理醫療文本時展現出專業醫生般的洞察力，快速生成診斷建議或治療方案。
• 激活 Memory ：它是推理過程中產生的瞬態認知狀態，包括隱藏層激活、注意力權重和 KV 緩存結構，對上下文意識、指令對齊和行為調節至關重要。在多輪對話中，激活 Memory 幫助模型保持上下文連貫性。例如，當用戶在對話中提及之前討論過的某個產品時，激活 Memory 在 Memory 中快速定位相關產品信息，并將其融入當前回應，使對話自然流暢。
• 純文本 Memory ：作為從外部源檢索的顯式知識，它具有可編輯性、可共享性和治理兼容性。在文檔編輯場景中，純文本 Memory 能夠快速檢索與用戶主題相關的文檔段落，為用戶提供更個性化且全面的寫作素材，同時支持多人協作編輯與實時同步，極大地提升了團隊協作效率。

下圖能直觀展現三種 Memory 類型間的轉化路徑，幫助大家加深對它們相互關聯，以及如何構建統一、可控、可演化 Memory 空間的理解。

三種記憶類型之間的轉換路徑，形成了一個統一的、可控制的、可進化的記憶空間

MemCube 核心資源：統一 Memory 的封裝藝術

MemCube 作為 MemOS 的核心封裝單元，通過一致的數據結構和接口封裝語義有效載荷和結構化元數據，實現統一調度、訪問控制和生命周期治理。其元數據的三類屬性 —— 描述性元數據、治理屬性和行為指標，分別用于 Memory 識別、控制和演化。基于上下文指紋識別和策略感知調度，MemCube 能夠實現按需激活、分層緩存和結構演化。例如，在一個復雜的醫療診斷場景中，MemCube 首先通過描述性元數據識別出用戶輸入涉及的疾病類型，然后根據治理屬性中的訪問權限和優先級策略，從存儲的醫療知識庫中檢索相關參數 Memory 和純文本 Memory 。同時，行為指標會記錄這些 Memory 單元的使用頻率和上下文相關性，為后續的 Memory 優化和演化提供數據支持。在推理過程中，MemCube 將檢索到的 Memory 內容動態注入模型，使模型能夠綜合考慮長期醫學知識、當前癥狀描述以及過往病例記錄，生成精準的診斷建議。

MemCube：一種用于異構記憶的統一抽象，包含元數據頭部和語義負載——作為MemOS中記憶的最小執行單元

上圖直觀呈現 MemCube 的結構組成，即元數據頭部和語義載荷，方便大家更清晰地了解這一核心封裝單元的具體形態。

描述性元數據包括時間戳（創建或更新時間）、來源簽名（用戶輸入、推理輸出等）和語義類型（用戶偏好、任務提示、領域知識等），用于唯一標識 Memory 單元并定義其語義角色。治理屬性涵蓋訪問權限、生命周期策略（如生存時間或基于頻率的衰減）、優先級級別以及敏感性標簽、水印和訪問日志等合規機制，確保多用戶環境中 Memory 的安全和受控使用。行為指標則捕捉運行時使用模式，如訪問頻率、上下文相關性和版本譜系等，通過自動收集的指標指導動態調度和跨類型轉換。

這三類屬性的協同工作實現了高效的記憶管理和調度。描述性元數據為 Memory 單元提供基本的身份信息和語義語境，使系統能夠快速識別和定位特定的 Memory 資源。治理屬性確保 Memory 的使用符合安全和合規要求，防止未授權訪問和數據泄露。行為指標則為系統提供了動態調整 Memory 調度和資源分配的依據，通過分析 Memory 的使用模式，系統可以預測未來的需求，提前加載或釋放 Memory 資源，優化整體性能。例如，在一個高頻交易系統中，MemOS 可以根據行為指標識別出哪些 Memory 單元與當前市場動態高度相關，并優先調度這些 Memory 單元，以確保交易決策的及時性和準確性。

MemOS 架構：精妙的分層協作體系

下圖全面展示 MemOS 架構下 Memory 的全生命周期流程，且強調了 MemCube 的統合作用。

MemOS架構概覽：展示從用戶輸入到API解析、調度、激活、治理和演進的端到端記憶生命周期——通過MemCube實現統一

三層架構概述：分工明確的協作網絡

MemOS 采用模塊化三層架構，包括交互層、操作層和基礎設施層，形成跨層的閉環 Memory 治理框架。這三層架構如同一個精密的協作網絡，每一層都肩負著獨特的使命，卻又緊密相連，共同推動著 Memory 的高效管理和智能進化。

下圖展示 MemOS 的三層架構及 Memory I/O 路徑，方便大家逐步深入理解每一層在 Memory 管理中的角色與職責，以及各層間的交互流轉過程。

MemOS的三層架構和記憶體I/O路徑。從用戶輸入到調度，再到記憶注入以及響應生成，每個階段都通過標準化的MemoryCube結構來執行，這些結構能夠實現可追溯且結構化的記憶生命周期管理

交互層：與用戶的對話橋梁

交互層作為系統的入口，負責解析自然語言請求、識別 Memory 相關意圖和調用標準化 Memory API。內置的 MemReader 組件將用戶輸入轉換為結構化的 Memory 操作鏈。例如，當用戶輸入 “幫我總結這篇科技論文的核心觀點” 時，交互層首先通過自然語言處理技術解析出用戶的任務意圖（總結科技論文），然后識別出 Memory 相關需求（檢索論文內容、提取關鍵信息）。隨后，MemReader 將這些需求轉化為一系列結構化的 Memory 操作指令，如 “調用純文本 Memory 檢索 API 檢索論文內容” “調用參數 Memory 中的文本摘要模塊” 等，形成操作鏈傳遞至后續處理層。管道式操作鏈機制支持多階段和可組合工作流，使復雜任務能夠被分解為多個可并行處理的子任務，提升系統效率。

操作層：Memory 管理的智慧中樞

操作層作為中央控制器，通過 MemScheduler、MemLifecycle 和 MemOperator 等組件實現任務感知調度、生命周期控制和結構化組織。

• MemScheduler：動態選擇算法

MemScheduler 的動態選擇算法是實現高效 Memory 管理的關鍵。該算法首先通過提取用戶請求中的上下文特征，包括但不限于關鍵詞、語義意圖和領域標識等，結合任務的優先級和組織策略，對 Memory 庫中的參數記憶體、激活記憶體和純文本記憶體進行適配度評估。也就是，對于每個 Memory 單元，算法會計算其與當前任務上下文的語義相似度、歷史使用頻率以及與其他 Memory 單元的關聯度，以確定其在當前任務中的權重。然后，根據這些權重，采用加權輪詢或優先級隊列等方式進行 Memory 選擇。例如，在一個復雜的跨領域任務中，MemScheduler 會優先選擇那些在語義上與任務高度相關、歷史使用頻率較高且與其他 Memory 單元關聯緊密的 Memory 組合。此外，為了適應動態變化的任務需求，MemScheduler 還會實時監控 Memory 單元的使用效果，根據性能指標（如任務完成時間、響應準確率等）動態調整選擇策略。這種基于上下文特征分析和實時反饋優化的動態選擇算法，確保了 MemScheduler 能夠在復雜多變的任務環境中，為模型提供最合適的 Memory 支持，從而提升模型的推理效率和準確性。

具體實現上，MemScheduler 采用了多階段的過濾和排序機制。首先，基于用戶請求的語義分析，利用預訓練的語言模型提取請求的關鍵特征向量。然后，與 Memory 庫中的各個存儲單元的特征向量進行相似度計算，篩選出語義上最匹配的候選存儲單元集合。接下來，結合歷史使用數據，對候選存儲單元按照使用頻率和任務相關性進行加權排序。最后，根據任務的實時需求和系統資源狀況，動態調整排序結果，選出最優的 Memory 組合進行加載。例如，在一個智能客服系統中，當用戶咨詢關于產品退貨政策的問題時，MemScheduler 會優先選出與 “退貨政策” 相關的參數記憶和純文本記憶，同時考慮這些 Memory 在處理類似問題時的歷史表現，確保為用戶提供更準確、更高效的解答。

• MemLifecycle：精細化的生命周期管控

MemLifecycle 將 Memory 生命周期建模為狀態機，支持版本回滾和凍結機制，確保 Memory 操作的可審計性和時間一致性。在一次醫療知識更新任務中，當新的疾病診斷標準發布后，MemLifecycle 能夠將舊的參數記憶版本凍結，同時創建新版本并記錄變更日志。這既保證了醫療知識的準確性和時效性，還為可能的回溯和審計提供了有力支持。其具體實現通過為每個 Memory 單元維護一個詳細的狀態歷史記錄，包括創建時間、每次更新的時間戳、狀態變更的原因和觸發條件等。當需要進行版本回滾時，系統可以根據這些記錄快速定位到指定的歷史版本，并恢復其內容和狀態。同時，凍結機制允許管理員將重要的 Memory 單元設置為只讀狀態，防止意外修改或刪除，確保關鍵數據的完整性和可用性。

• MemOperator：高效的記憶組織操作

MemOperator 通過標簽系統、基于圖的結構和多層分區管理 Memory ，實現混合結構和語義搜索。例如，在一個知識圖譜查詢任務中，MemOperator 利用圖結構快速定位與查詢主題相關的節點和關系，同時結合標簽系統對結果進行語義過濾和優先級排序，為用戶提供更個性化的知識檢索結果。其內部采用了一種多級索引機制，首先根據 Memory 的類型和語義標簽進行粗粒度的分區，然后在每個分區內構建基于圖結構的細粒度索引。這樣可以在大規模 Memory 數據中快速定位到相關的 Memory 片段，提高搜索效率。同時，通過維護 Memory 單元之間的語義關聯關系，MemOperator 能夠實現聯想式搜索，為用戶提供高效的上下文相關信息。

基礎設施層：Memory 流通的堅實后盾

• MemGovernance：嚴謹的訪問權限與審計跟蹤

MemGovernance 強制執行訪問權限、生命周期策略和審計跟蹤，確保多用戶環境中的安全和負責任的 Memory 操作。例如，在一個涉及敏感醫療數據的協作場景中，MemGovernance 嚴格限制對患者數據的訪問權限，只有經過授權的醫生或研究人員能夠在特定的時間范圍內訪問相關 Memory 單元。同時，系統會記錄所有訪問行為，生成詳細的審計日志，以備合規檢查和安全審查。其通過集成多種安全技術實現，如基于角色的訪問控制（RBAC）、屬性加密和數字簽名等。每個 Memory 單元都與特定的安全策略綁定，只有滿足策略要求的用戶和操作才能被授權訪問。此外，系統定期對審計日志進行分析，以檢測潛在的安全威脅和異常行為，確保 Memory 操作的安全性和合規性。

• MemVault：多元存儲的統一管理

MemVault 管理多樣化的 Memory 存儲庫，提供跨異構存儲后端的統一訪問。它支持多種存儲介質（如硬盤、固態硬盤、云端存儲）和存儲格式（如結構化數據庫、非結構化文件系統），確保 Memory 數據在不同存儲環境中的高效存儲和快速檢索。其采用了一種抽象的存儲接口層，將不同存儲后端的具體實現細節封裝起來，為上層應用提供統一的訪問接口。這樣一方面可以方便地集成新的存儲技術，另一方面，還能根據數據的訪問模式和性能要求，智能地選擇最適合的存儲介質和策略，優化存儲成本和訪問效率。

• MemLoader 和 MemDumper：無縫的記憶遷移

MemLoader 和 MemDumper 實現平臺和智能體之間的結構化 Memory 遷移。例如，在跨平臺協作任務中，MemLoader 能夠將一個平臺上的 Memory 單元完整地遷移到另一個平臺，并確保遷移后的 Memory 內容在新環境中能夠被正確解析和利用。其工作過程中，首先對源平臺上的 Memory 進行快照和序列化操作，生成一個與平臺無關的中間表示。然后，通過安全的通信通道將中間表示傳輸到目標平臺，并在目標平臺上進行反序列化和還原操作。整個遷移過程確保了 Memory 數據的完整性和一致性，同時對用戶和應用透明，不影響正在進行的業務流程。

• MemStore：開放的記憶共享平臺

MemStore 支持 Memory 單元的開放發布和訂閱，促進多模型知識共享和協作執行。例如，在一個跨領域的智能體協作任務中，不同智能體可以通過 MemStore 訂閱其他智能體發布的特定領域知識 Memory 單元，在完成本地任務的同時，與其他智能體共享自己的知識成果，實現知識的快速傳播和融合。其內部實現了一個分布式的消息隊列和事件通知系統，當有 Memory 單元發布或更新時，相關事件會通知給所有訂閱者。訂閱者可以根據自己的需求選擇接收特定類型的 Memory 更新，從而實現高效的協作和知識共享。

MemOS 的關鍵機制：智能進化的雙引擎

Memory 演化的機制

• Memory 演化的觸發與優化流程

MemOS 的 Memory 演化機制是其創新性的關鍵體現。Memory 單元能夠根據使用反饋進行自我優化、重建和演化。具體來說，當 Memory 單元被頻繁訪問且具有較高的重要性時，MemOS 會觸發優化流程。基于反饋數據，算法會分析 Memory 內容的使用模式，例如哪些部分被頻繁引用、哪些信息在推理過程中起到了關鍵作用等。根據這些分析結果，算法會對 Memory 內容的權重進行調整，將高頻使用的部分置于更易于訪問的位置，同時對低頻或過時的內容進行壓縮或歸檔處理。例如，在一個智能客服系統中，MemOS 可以識別出哪些產品信息是用戶最常咨詢的，并將這些信息優先存儲在高速緩存中，以加快響應速度。而對于一些過時的產品信息，則自動歸檔到長期存儲中，節省存儲空間。

為了實現高效的優化流程，MemOS 采用了一系列復雜的算法和數學模型進行支撐。其中，Memory 單元的優先級計算是關鍵環節之一。這一優化流程的數學模型可以表示為：對于每個 Memory 單元 ，定義其使用頻率為，重要性權重為，則其優先級可表示為，其中和 為平衡參數。在 MemOS 中，依據各 Memory 單元的優先級，采用貪婪算法或啟發式算法確定最優存儲位置分配及內容調整策略，以降低訪問延遲與存儲成本。貪婪算法會把高優先級 Memory 單元優先分配到高速緩存這類優質存儲位置；啟發式算法則借助模擬自然進化等手段，持續探索更優存儲方案，二者都致力于減少訪問延遲和存儲成本。

• 基于強化學習的表示方式優化

此外，MemOS 還采用了強化學習技術，通過與模型的交互訓練，不斷優化 Memory 內容的結構和表示方式。例如，在處理大量文檔編輯任務后，MemOS 會根據模型在文本生成和編輯過程中的表現，自動調整純文本 Memory 中的語句模板和詞匯庫，使其更符合用戶的寫作風格和領域特定需求。

在強化學習框架中，Memory 單元的表示方式被視為智能體的狀態，每次對 Memory 進行調整操作（如插入、刪除、修改等）被視為動作。獎勵函數則根據調整后模型生成文本的質量（如語義相關性、流暢性和多樣性等）來確定。通過不斷地與環境交互（即在實際任務中應用 Memory 單元），智能體學習到最優的策略，以最大化長期獎勵。具體來說，可以采用深度 Q 網絡（DQN）或策略梯度方法來實現這一過程。

• 演化效果評估與策略調整

同時，為了評估演化效果，MemOS 設立了多個性能指標，如文本生成的準確性、連貫性、多樣性以及任務完成的響應時間等。通過對這些指標的定期評估，MemOS 能夠及時發現演化過程中的問題，并對演化策略進行調整。例如，如果評估結果表明某個 Memory 單元的演化方向導致了模型性能下降，系統會自動回退到之前的穩定版本，并重新規劃演化路徑。這種基于使用反饋的自我優化和重建機制，在提升 Memory 單元的適應性和實用性的同時，還減少了人工維護成本，使 Memory 系統能夠持續進化以滿足不斷變化的任務需求。

動態調度算法

MemScheduler 的動態選擇算法是實現高效 Memory 管理的關鍵。該算法首先通過提取用戶請求中的上下文特征，包括但不限于關鍵詞、語義意圖和領域標識等，結合任務的優先級和組織策略，對 Memory 庫中的參數 Memory 、激活 Memory 和純文本 Memory 進行適配度評估。

具體來說，對于每個 Memory 單元，算法會計算其與當前任務上下文的語義相似度 、歷史使用頻率以及與其他 Memory 單元的關聯度，以確定其在當前任務中的權重，其中、和 為權重參數。然后，根據這些權重，采用加權輪詢或優先級隊列等方式進行 Memory 選擇。

例如，在一個復雜的跨領域任務中，MemScheduler 會優先選擇那些在語義上與任務高度相關、歷史使用頻率較高且與其他 Memory 單元關聯緊密的 Memory 組合。此外，為了適應動態變化的任務需求，MemScheduler 還會實時監控 Memory 單元的使用效果，根據性能指標（如任務完成時間、響應準確率等）動態調整選擇策略。

以最小化 Memory 調度的加權平均延遲為例，其損失函數可定義為 ，其中表示任務的權重，表示任務的響應時間。MemOS 利用梯度下降算法對該損失函數進行優化，通過迭代計算參數的梯度，逐步調整調度策略中的權重參數、和 ，最終實現調度效果的持續改進。

跨 LLM Memory 共享：打破模型間的壁壘

MemOS 通過統一的 Memory 抽象和協議，打破了不同智能體、平臺之間的 Memory 壁壘，實現了 Memory 的無縫共享和協同工作。該統一抽象和協議涵蓋了標準化的 Memory 表示格式，如統一的元數據結構和數據語義定義；以及規范的接口規范，包括跨平臺的 Memory 讀寫、更新等操作的統一調用方式等關鍵要素。也就是，MemOS 定義了一套標準化的 Memory 表示格式和接口規范，使得不同智能體和平臺能夠以統一的方式存儲、訪問和更新 Memory 單元。例如，在跨平臺協作任務中，MemOS 的 MemLoader 和 MemDumper 組件通過與不同平臺的 Memory 管理系統進行對接，將一個平臺上的 Memory 單元完整地遷移到另一個平臺。在遷移過程中，MemOS 會根據目標平臺的存儲格式和安全要求，對 Memory 單元進行必要的轉換和加密處理，確保 Memory 內容在新環境中能夠被正確解析和利用。同時，MemStore 組件支持 Memory 單元的開放發布和訂閱機制，使得不同智能體能夠及時獲取其他智能體發布的 Memory 更新信息，并在本地進行同步和整合。此外，MemGovernance 組件通過統一的訪問控制策略和審計機制，確保不同智能體和平臺在共享 Memory 時遵循相同的安全和合規標準。

可擴展記憶市場：培育可持續的 AI 生態

MemOS 還規劃建立去中心化的記憶交換機制，支持資產級交易、協作更新和分布式演化，以培育可持續的 AI 生態系統。在這個市場中，開發者、企業和研究機構能夠交易和共享 Memory 資源，促進知識的快速傳播和創新。例如，一個專業的醫療知識 Memory 模塊可以在 Memory 市場中被多個醫療智能系統購買和使用，同時這些使用者也可以根據自己在實際應用中的經驗和數據對模塊進行協作更新。這種去中心化的協作模式將加速 AI 技術的發展，推動智能系統從封閉、靜態的個體向開放、動態的生態系統進化。其通過智能合約和區塊鏈技術來確保交易的安全性和透明性。每個 Memory 資源都被賦予唯一的數字身份，并記錄在區塊鏈上。交易過程由智能合約自動執行，確保雙方的權利和義務得到履行。同時，市場中的 Memory 資源可以通過社區協作的方式進行更新和改進，形成一個自我強化的生態系統，推動 AI 技術的持續進步。

系統執行流程：Memory 流轉的奇妙旅程

MemOS 的執行流程是一場精心編排的 Memory 流轉之旅。從用戶提示或觸發任務開始，經過 MemReader 解析、管道傳遞、MemScheduler 選擇 Memory 、 Memory 注入推理上下文、MemOperator 組織 Memory 、MemLifecycle 治理狀態轉換，到 Memory 在 MemVault 中存檔、MemGovernance 管理、MemStore 協作，最終形成閉環 Memory 流。例如，在一個復雜的智能客服任務中，用戶咨詢關于產品保修政策的問題。首先，MemReader 解析用戶輸入，將其轉化為 Memory 操作鏈，請求檢索產品相關知識和用戶歷史咨詢記錄。MemScheduler 根據任務優先級和上下文信息，選擇調用純文本 Memory 中的產品手冊內容和激活 Memory 中的用戶會話歷史。這些 Memory 內容被注入推理上下文后，模型開始生成回應。在此過程中，MemOperator 對 Memory 內容進行語義關聯和組織，確保回應的完整性和準確性。MemLifecycle 記錄此次 Memory 調用的生命周期信息，包括時間戳和版本號。最終，更新后的 Memory 單元在 MemVault 中存檔，相關操作記錄由 MemGovernance 進行審計，同時 MemStore 將此次咨詢相關的 Memory 變更通知給其他可能涉及的智能客服模塊，以便在后續任務中協同利用這些新信息。整個過程由聲明式策略驅動，通過 MemoryCube 抽象執行，確保每個環節都精準無誤，使 Memory 的流轉成為推動智能決策的強大動力。

MemOS 的應用場景：多元領域的實踐探索

醫療領域：精準診斷與個性化治療

在醫療智能系統中，MemOS 的 Memory 管理優勢得到了充分發揮。通過參數 Memory 中的醫學知識模塊（如疾病診斷標準、藥物相互作用等），模型能夠快速生成初步的診斷建議。同時，激活 Memory 保存了患者在多輪對話中的癥狀描述和病史信息，使模型在推理過程中能夠保持上下文連貫性，結合參數 Memory 中的知識，為患者提供個性化的治療方案。此外，純文本 Memory 中存儲的最新醫學研究成果和臨床案例，為模型提供了豐富的外部知識來源，使其能夠在診斷過程中參考最新的醫學進展，提高診斷的準確性和時效性。例如，在處理一個復雜的多系統疾病病例時，MemOS 能夠協調不同領域的參數 Memory 、激活 Memory 和純文本 Memory ，綜合考慮患者的癥狀、病史以及最新的醫學研究，為醫生提供全面的診斷輔助信息，包括可能的病因、鑒別診斷、治療建議以及預后評估等。

金融領域：智能風控與投資決策

在金融風險評估系統中，MemOS 的 Memory 管理功能為模型提供了強大的支持。參數 Memory 中編碼了金融市場的基本規律、風險模型和投資策略等知識，使模型能夠對市場趨勢和資產價值進行基本分析。激活 Memory 在處理用戶咨詢或進行實時交易監控時，保存了當前的市場動態、用戶投資偏好以及交易歷史記錄等信息，幫助模型在推理過程中做出符合用戶需求和市場情況的決策。純文本 Memory 則存儲了最新的財經新聞、政策法規以及行業研究報告等內容，使模型能夠及時獲取外部信息，結合內部知識進行綜合分析。例如，當市場出現重大波動時，MemOS 能夠快速檢索和分析相關 Memory 單元，結合模型的推理能力，為用戶提供更個性化的風險預警和投資建議，幫助用戶在復雜的市場環境中做出明智的投資決策。

教育領域：個性化學習與智能輔導

在智能教育系統中，MemOS 為個性化學習提供了有力保障。參數 Memory 中存儲了教育學理論、學科知識體系以及教學方法等內容，使模型能夠根據學生的知識水平和學習進度提供合適的學習資源和指導。激活 Memory 記錄了學生在學習過程中的互動記錄、問題回答情況以及學習路徑等信息，幫助模型實時了解學生的學習狀態和需求。純文本 Memory 則包含了豐富的學習資料、練習題以及教學案例等，為模型提供了多樣化的教學內容支持。例如，在一個高中物理學習系統中，MemOS 能夠根據學生的學習進度和知識掌握情況，從參數 Memory 中調用相應的教學方法模塊，從純文本 Memory 中檢索相關的物理概念解釋和例題，結合激活 Memory 中記錄的學生學習歷史，為學生生成個性化的學習計劃和輔導內容，提高學習效果和效率。

打破 Memory 孤島：跨平臺協作的實現

MemOS 通過統一的 Memory 抽象和協議，打破了不同智能體、平臺之間的 Memory 壁壘，實現了 Memory 的無縫共享和協同工作。例如，在一個由多個不同架構的 LLM 組成的智能體網絡中，通過 Memory 交換協議（MIP），各個智能體能夠共享和理解彼此的 Memory 內容，從而在協作任務中實現無縫的知識共享和能力互補，極大地提升了系統的整體性能和效率。例如，在一個跨領域的問題解決場景中，一個智能體負責收集和分析用戶需求，另一個智能體負責調用專業知識進行解答。通過 MemOS 的跨平臺 Memory 共享機制，兩個智能體可以實時共享用戶的咨詢記錄和相關背景知識，確保解答的準確性和連貫性。同時，MemOS 的 Memory 治理功能保證了共享過程中的數據安全和隱私保護，使不同平臺之間的協作更加可靠和高效。

MemOS 與其他 Memory 管理方法的對比：全方位的優勢彰顯

與其他方法的對比分析

MemOS 在統一 Memory 管理、生命周期治理和跨角色協作等方面展現出顯著優勢。與 RAG 方法相比，MemOS 實現了 Memory 的統一調度，并且引入了生命周期管理和跨智能體協作機制。例如，在多智能體協作任務中，MemOS 能夠協調不同智能體的 Memory 資源，避免重復計算和信息孤島問題，而 RAG 方法則難以在多個智能體之間實現有效的 Memory 共享和協同工作。在生命周期治理方面，MemOS 的版本回滾和凍結機制為 Memory 操作提供了更高的可靠性和可追溯性。相比之下，其他方法在處理 Memory 版本更新和歷史回溯時往往存在功能缺失或實現復雜的問題。以表格形式對比 MemOS 與其他方法：

MemOS 的優勢總結

MemOS 在解決現有 LLM Memory 管理問題方面具有開創性意義。它通過統一 Memory 管理，整合參數 Memory 、激活 Memory 和純文本 Memory ，消除了“記憶孤島”，使模型能夠在不同任務和場景中靈活調用各類 Memory 資源。生命周期治理機制確保了 Memory 的可靠性和安全性，為模型的長期穩定運行提供了保障。跨角色和跨智能體協作能力使 MemOS 成為一個多智能體系統中的 Memory 管理中樞，推動了復雜任務的協同解決和知識的高效傳播。此外，MemOS 還具備性能優勢，在資源占用方面，通過優化 Memory 調度與存儲策略，合理分配系統資源，提高了資源利用率，降低了運營成本；在易用性上，提供簡潔直觀的 API 和可視化工具，降低了開發門檻，使開發者能更便捷地構建和管理 LLM 應用。這些優勢解決了當前 LLM Memory 管理的諸多痛點，更為未來智能系統的發展指明了方向。

總結

MemOS 作為專為大型語言模型設計的 Memory 操作系統，其創新性在于為異構 Memory 類型提供了統一的抽象和集成管理框架。MemCube 以及調度、生命周期管理、結構化存儲和透明增強的關鍵模塊共同提升了 LLM 的推理連貫性、適應性和系統可擴展性。例如，在跨領域知識融合任務中，MemOS 能夠協調不同領域的參數 Memory 、激活 Memory 和純文本 Memory ，使模型在處理復雜問題時能夠綜合考慮多領域的知識和上下文信息，生成全面且準確的回應。這種能力的提升既增強了模型的實用性，還為其在更多領域的應用奠定了基礎。

未來發展方向

• 跨 LLM Memory 共享

通過共享參數和激活 Memory ，實現不同基礎模型之間的互操作性和模塊復用。擴展 Memory 交換協議（MIP），定義跨模型 / 應用 Memory 傳輸的標準格式、兼容性規則和信任機制，將打破模型之間的壁壘，使知識能夠在不同的智能系統中自由流動。例如，在一個由多個不同架構的 LLM 組成的智能體網絡中，通過 MIP 協議，各個智能體能夠共享和理解彼此的 Memory 內容，從而在協作任務中實現無縫的知識共享和能力互補，極大地提升了系統的整體性能和效率。

• 自演化 MemBlocks

開發能夠基于使用反饋進行自我優化、重建和演化的 Memory 單元。這些 Memory 單元將具備一定的自主性，能夠根據自身的使用情況自動調整結構和內容，減少人工維護成本。例如，一個自演化 MemBlock 在檢測到其存儲的知識在特定任務中頻繁被訪問且具有較高的重要性時，會自動優化自身的存儲結構，將相關知識置于更易于訪問的位置，同時更新內容以確保其時效性和準確性。這種自演化能力將使 Memory 系統能夠更好地適應動態變化的環境和任務需求，持續提升智能系統的性能。

• 可擴展 Memory 市場

建立去中心化的 Memory 交換機制，支持資產級交易、協作更新和分布式演化。這一機制將培育一個可持續的 AI 生態系統。在這個市場中，開發者、企業和研究機構能夠交易和共享 Memory 資源，促進知識的快速傳播和創新。例如，一個專業的醫療知識 Memory 模塊可以在 Memory 市場中被多個醫療智能系統購買和使用，同時這些使用者也可以根據自己在實際應用中的經驗和數據對模塊進行協作更新。這種去中心化的協作模式將加速 AI 技術的發展，推動智能系統從封閉、靜態的個體向開放、動態的生態系統進化。

在撰寫這篇文章的過程中，我理解了 MemOS 的創新魅力與技術深度。它不只是一個 Memory 管理系統，也是對大型語言模型發展路徑的一次重新定義。MemOS 讓我看到了智能系統從單純的信息處理者向具有記憶、適應和進化能力的認知主體邁進的可能性。它可以在一定程度上解決長期以來困擾 LLM 的 Memory 管理難題，為構建更加智能、高效和協作的 AI 生態夯實了 infra 基礎。