MemOS：把记忆当成系统资源来调度

论文：MemOS — A Memory Operating System for AI（arXiv 2507.03724，2025-07-04）

机构：MemTensor

辨析：MemOS（MemTensor）与 MemoryOS（北京邮电大学 BAI-LAB）是两个不同项目，本平台分开收录。本文讨论的是前者。

绝大多数记忆系统管的是同一类东西：文本。MemOS 的出发点不同——它认为记忆在系统里的存在形态有三种，而现有方案只处理了其中一种。

要点速览：MemOS 把文本、激活级、参数级三类记忆纳入同一套抽象，MemCube 是可搬运的基本单元，「迁移」操作让文本记忆与模型参数可以互相转换。即使不直接用它，也值得记住它提出的问题：稳定重复的信息，为什么每次还要靠检索重新加载？

一、三类记忆

传统记忆引擎只在第一类上工作：把信息写进外部存储，检索后拼进 prompt。第二类和第三类记忆一直被当成两件不相干的事——前者属于推理框架的优化，后者属于模型训练。

MemOS 的核心主张是：这三类记忆应该被同一套抽象管理。 只有当它们可以互相转换时，「检索」和「学习」之间那道墙才会被拆掉。

二、MemCube：可搬运的记忆单元

MemOS 的基本单元叫 MemCube，它封装的不只是内容，还包括元数据（来源、版本、时间等）。在此基础上提供三种操作：

• 组合：多个 MemCube 可以合并成一个更大的单元，适合把零散事实聚合成画像
• 迁移：记忆可以在不同类型之间转换——文本记忆可以被蒸馏成参数级记忆，参数级记忆也可以被外化回文本
• 融合：把检索到的记忆与参数化知识在同一层里对齐，弥合「检索」与「参数学习」的鸿沟

「迁移」是这套设计里最有想象力的一环。 它意味着记忆系统不再只是在 prompt 里做加法，而是能主动把稳定、重复出现的信息下沉到模型层面，从而降低长期运行的上下文开销。

三、评测表现

据论文与官方公开：

此外，官方公布的 OpenClaw 插件数据显示，Agent 任务完成率从 36.63% 提升至 50.87%——这类端到端指标比纯检索分数更有参考价值。

四、企业级特性

MemOS 在工程侧提供的能力清单：

• 统一的记忆 API，图结构化、可检查可编辑
• 多模态记忆支持（文本、图像、工具轨迹、人设）
• 多立方体知识库管理
• MemScheduler 毫秒级异步摄取
• 自然语言反馈驱动的记忆修正
• 官方公布 35.24% 的 token 节省效果

五、这类设计的代价

• 概念复杂度高：三类记忆、MemCube、调度器构成了一套完整体系，理解与调试成本明显高于单层方案。
• 参数级记忆的落地门槛：文本到参数的迁移需要模型侧支持，实际可用的场景受限于是否具备训练/编辑能力。
• 分数需谨慎对照：88.83 与 89.20 均为论文自报口径，测试子集与判分器与其他引擎未必一致。

六、它真正的价值在哪

即使不直接使用 MemOS，它提出的问题值得所有记忆系统回答：

当某条信息已经被反复验证、长期稳定存在时，为什么每次还要通过检索重新加载它？

这个问题的答案指向记忆系统的下一个阶段：从「检索增强」走向「参数沉淀」。MemOS 是目前把这条路径描述得最完整的方案。

参考来源

• MemOS 论文：https://arxiv.org/abs/2507.03724
• LoCoMo 基准论文：https://arxiv.org/abs/2402.17753
• LongMemEval 基准论文：https://arxiv.org/abs/2410.10813

本文数据引自 MemOS 论文与官方公开资料，为厂商/作者自报口径；文中机构归属以论文署名为准。