你换了一个 AI Agent，就像换了一个完全不了解你的新同事：偏好要重讲，项目背景要重补，过去踩过的坑还可能再踩一次。MindMemOS 想解决的，正是这种“换个工具就失忆”的问题。华为诺亚方舟实验室将它开源，试图把记忆做成独立于单个 Agent 的操作层，让事实、偏好和做事经验可以长期保存，并在后续任务中继续更新。
需要说明的是，本文发布信息、机制描述和实验数字均来自量子位对项目及论文的介绍，尚无第二个独立信源交叉验证；“可迁移”目前主要是架构能力，而不是已经得到独立量化证明的跨应用效果。
把零散便签改成时间档案
Agent 记忆并不是模型天然拥有、永久不忘的能力。它通常指把对话之外仍有用的信息写入外部存储，等以后需要时再找回来。
常见做法像往抽屉里塞便签：每段对话保存一块文本，提问时找出意思最接近的几块。问题在于，“用户以前喜欢 X”和“用户现在改用 Y”可能同时被翻出来，回答模型还得临场判断哪条有效。
据量子位介绍，MindMemOS 用 Entity、Property、Time 三个维度组织信息。Entity 是持续存在的对象，如用户、项目或文件；Property 是对象的事实、偏好和状态；Time 则记录这些属性何时成立、何时改变。换句话说，它不只保存最新答案，也保留旧状态如何被新状态取代。
系统提供两条写入路径。MindVanilla 不要求预先设计模板，可直接处理对话、文本和工具执行轨迹。MindSchema 则先规定系统应该关注哪些实体和属性。这里的 schema，就是一张“什么值得长期保存”的结构模板，不同业务可以换模板，不必重建整套记忆设施。
检索时，Compact Search 也不只寻找最相似的文本。它会分析问题，并沿实体、属性、关系和时间线走多条搜索路径，再判断信息是否足够。
记忆也需要定期整理
长期积累不等于把所有东西永远堆着。MindMemOS 的 Dreaming 机制会在离线阶段检查重复、冲突和演化关系，随后合并、补充或归档记忆。
例如，新事实替代旧事实后，系统会把旧版本归档，同时保留 supersedes——“新版本取代旧版本”的关系。这样，普通检索优先拿到当前有效信息，而不必每次都让回答模型重新解决冲突。
量子位援引项目实验称，在 MemoryAgentBench 的 FactConsolidation 测试中，Dreaming 将活跃记忆压缩了 19.4%—23.5%，问答准确率最高提高 10.3 个百分点。这里的“最高”只代表特定设置下的最佳结果，不能外推到所有任务。
另一套 Feedback 机制负责吸收纠正。用户可以直接指出错误，也可能只是在后续对话中表达不满或改变偏好。系统据此决定新增、更新、归档、删除或强化相关记忆。它要修的不是眼前一句回答，而是以后会反复影响回答的底层记录。
从“记住什么”走向“下次怎么做”
更值得关注的一步，是 MindMemOS 把 Skill 也纳入长期积累。Skill 可以理解为 Agent 执行某类任务时遵循的操作指南。系统收集真实执行轨迹，从反复成功的方法和常见失败中提炼规则，再生成带版本的新 Skill。
在包含 400 个真实表格操作任务的 SpreadsheetBench-Verified 上，材料称未经演进的初始 Skill 甚至不如不用 Skill；无监督演进把成功率从 51.3%提高到 55.3%，加入任务评分后达到 57.2%±2.4%。这说明一份固定指南未必有帮助，关键是能否从实际成败中修订规则及其适用边界。
基础记忆测试方面，材料报告 MindMemOS 在 LoCoMo 上得到 94.03 分，在 PersonaMem 上达到 70.63%。不过原始表格、完整基线、数据集版本和误差定义仍需进一步核对。
为什么这块基础设施值得看
多数 Agent 的记忆仍绑定某个应用或会话。MindMemOS 换了一个角度：记忆不再只是 Agent 内部的附属功能，而可以成为独立维护的长期资产。它既保存“发生过什么”，也记录事实怎样变化，还尝试把执行经验压缩为下一次可复用的技能。
如果这条路线成立，用户更换 Agent 时就不必从零开始，项目经验也可能随工具迁移。它触及的是长周期 Agent 的核心工程问题：能力不只来自一次回答有多聪明，也来自系统能否把昨天的经历变成明天可用的资产。
局限与未知
- 现有材料没有提供跨 Agent、跨框架或跨应用迁移的独立量化结果，因此“可迁移”尚不能视为普遍验证的效果。
- Dreaming、Feedback 和 Skill Evolution 的收益来自特定基准与设置，不能直接推广到所有 Agent 和任务。
- 关键实验数字目前只有单一机构相关信源，仍需结合原始论文核对评价指标、基线、模型配置及误差定义。