随着 AI Agent 的能力越来越强，用户体验中却仍存在一个痛点：每换一个 Agent 甚至换一个 Session，都像是在面对一个完全不了解你的新员工，用户偏好、项目背景等无法迁移。针对这一核心痛点，华为诺亚方舟实验室推出了面向 AI Agent 的可迁移、自演进记忆操作层——MindMemOS，旨在解决记忆带不走、视角不同、系统无法成长及缺少时间维度等四大技术挑战。
传统的记忆方案通常将记忆保存为零散的文本片段或向量块。而 MindMemOS 改变了记忆的底层组织方式，引入了实体-属性-时间的三维结构。其中，“实体（Entity）”代表持续存在的对象；“属性（Property）”描述事实、偏好和特征；“时间（Time）”则追踪这些属性在何时成立与演变。这种设计使得系统不再把孤立的事实割裂，而是放回同一条时间轴上，保留实体关系和状态的完整演化轨迹。
在性能指标方面，MindMemOS 表现极为抢眼：在 LoCoMo 数据集上取得了 94.03分，在 PersonaMem 上达到了 70.63%。在 MemoryAgentBench 的事实整合测试中，其离线整理机制在压缩 19.4% - 23.5% 活跃记忆的同时，将问答准确率最高提升了 10.3%。基于真实执行轨迹的 Skill 演进，更将 SpreadsheetBench-Verified 的任务成功率大幅提升至 57.2%±2.4%。
在具体实现上，MindMemOS 提供了两条互补的记忆生成路径：一是 MindVanilla 模式，它不依赖预设模板，可接收任意对话和工具轨迹，适合开放域信息的快速沉淀；二是 MindSchema 模式，允许通过预设实体建模规定领域关注的特定维度。检索时，系统通过设计独特的 Compact Search 机制，由外层 Agentic 模块分析规划路径，内层工具执行多路径搜索，从而寻找到最充分的答案路径。
为了让记忆持续进化，MindMemOS 引入了 Dreaming（梦境整理） 和 Feedback（反馈学习） 机制。Dreaming 会在离线阶段主动合并冗余内容，归档失效的事实，解决记忆冲突，从而避免在实时查询时耗费大模型算力进行推理；Feedback 则支持显式与隐式的用户纠错信号，让记忆库随着真实交互不断调整。这些机制确保了记忆系统与 Agent 能力的共同成长。
长期以来，AI Agent 的记忆机制多受限于简单的向量检索（RAG）或静态的 K-V 存储。诸如 MemGPT 等早期探索虽引入了虚拟内存管理，但仍将记忆绑定在单一 Agent 实例中，难以在异构框架间迁移，且面临记忆膨胀与冲突的瓶颈。华为诺亚开源的 MindMemOS 创新地引入了“实体-属性-时间”三维图谱结构，将记忆从具体的 Agent 中完全解耦。其最大的启发在于实现了记忆的“离线自我整理”（Dreaming）与“自演进”（Skill Evolution）。这种设计对未来 AI Agent 生态影响深远：它不仅为多 Agent 协同（Multi-Agent Collaboration）提供了一致性的共享知识底座，还通过将记忆操作与运行时大模型解耦，极大降低了推理成本。#MindMemOS 的开源有望推动 AI 记忆系统走向标准化、模块化，成为未来‘Agent 操作系统’不可或缺的持久化状态层。
