2025-07-15 13:16 北京
大模型，不应只拥有语言能力，还应拥有可调度且可进化的记忆能力。MemOS 是一套面向大模型记忆管理的开源框架，Preview 版本已经完成核心模块原型构建，包括：记忆提取（Memory Extraction）：自动从多轮对话中识别出任务目标、事件、偏好等关键信息记忆组织（Memory Structuring）：将提取的信息按图结构或层次树组织，支持跨轮链接记忆检索（Memory Query）：支持通过关键词、语义标签、时间索引等方式调用历史记忆片段记忆调度（Memory Scheduling）:根据用户的对话历史、偏好，将最合适的记忆放到最合适的位置MemOS 通过标准化的 MemCube 记忆单元，将明文、激活状态和参数记忆统一在同一个框架里进行调度、融合、归档和权限管理。简单来说，模型不再只是“看完即忘”，而是拥有了持续进化和自我更新的能力。在行业看来，这种面向 AI 长期记忆的操作系统思路，或许会重塑智能系统的应用边界——让大模型真正从“静态生成器”，变成可以陪伴用户长期成长的“数字同事”和“数字助理”。系统架构和核心创新在技术架构上，MemOS 参考了传统操作系统的分层理念，同时融合了忆立方（Memory³）大模型在“记忆分层管理”方面的关键技术。系统整体划分为三大核心层次：接口与应用层、记忆调度控制层，以及存储与基础设施层，构建起从前端调用到底层持久化的一体化记忆管理框架。在接口与应用层，MemOS 提供了统一、易扩展的 Memory API，开发者可通过标准接口便捷地进行记忆的新增、修改、删除、调用等操作。配合上下文工程，MemOS 让模型能够更轻松地接入多轮会话记忆、跨任务状态追踪与用户偏好持久化管理等能力，显著提升大模型在复杂交互中的个性化与持续性表现。在记忆调度与管理层，MemOS 引入了一种全新的调度机制 —— 记忆调度（Memory Scheduling）范式。该机制支持基于上下文的“下一场景预测”（Next-Scene Prediction），可以在模型尚未发起调用之前，提前加载可能需要的记忆内容，从而显著降低响应延迟、优化推理效率。图 1. 记忆调度的核心思路如上图 1 所示，MemOS 能够在不同轮次（Round）、会话（Session）甚至多智能体（Agent）协同流程中，异步预测和准备未来可能涉及的记忆片段。其核心机制是：在应用流程的关键节点部署触发器（Trigger），自动收集任务过程中的记忆线索与需求。所有触发器采集的信息将被统一送入调度监控队列（Monitoring Queue），由调度执行器（Scheduling Executor）进行消费处理。调度器会根据调用频率、上下文相关性等策略，优先将高价值记忆片段提前加载到 MemCube 中的指定位置，包括模型的 KV Cache、明文缓存区或其他中间态存储区。这一设计显著提高了对关键记忆的“即取即用”能力，为模型提供了更快、更准、更持续的认知支撑。而在记忆存储与基础设施层，MemOS 通过标准化的 MemCube 封装，将明文记忆、激活记忆和参数记忆三种形态有机整合。它支持多种持久化存储方式，包括 Graph 数据库、向量数据库等，并具备跨模型的记忆迁移与复用能力。整体来看，MemOS 不仅在技术框架上实现了对 AI 记忆的结构化、系统化管理，也为未来构建可共享、可迁移、可学习的 AI 记忆生态奠定了基础。🧑💻 欢迎加入开发者社群，一起构建 下一代面向记忆的应用研发之路~🌐 项目官网：https://memos.openmem.net/💻 GitHub：https://github.com/MemTensor/MemOS06｜ 提示词工程、上下文工程、MemOS 的完整对比
正如人类的智能不仅来自于感知和反应，更来自于“能记得住并据此行动”，MemOS 是让大模型具备“成长性”与“适应性”的技术基础。因此，MemOS 所倡导的记忆系统，不是替代 Prompt 和 Context，而是与它们形成演进式协同：用 Prompt 启动模型用 Context 优化交互用 Memory 持续积累、管理与学习这才是下一代 AI 应用，真正走向“智能体”的必要路径。07｜ 结语你可以通过提示词工程（Prompt）让模型执行任务，你也可以通过上下文工程（Context）让模型更聪明。但只有拥有记忆（MemOS），它才真正认识你、理解你、陪伴你，并且与你一起成长。智能始于记忆，更成于记忆！MemOS，让 AI 不止回应，还更懂你！
