加利福尼亚大学圣迭戈分校博士生王禹和纽约大学教授陈溪联合推出并开源了 MIRIX，全球首个真正意义上的多模态、多智能体AI记忆系统。MIRIX团队同步上线了一款桌面端APP，可直接下载使用！
还记得第一次用 GPT 写邮件的惊喜吗？却也一定遇到过今天的 AI「忘性」——聊得再深入，窗口一关，历史烟消云散。
因此，研究人员认为：从「对话」到「记忆」，将是AI进化的必经之路。
- 大模型 1.0时代是「即问即答」，算力与参数狂飙，却只能做几分钟的「短暂陪伴」。 大模型 2.0进入「RAG 补丁」，把资料「现查现贴」，救急却臃肿。 大模型 3.0则是「MIRIX登场」，第一次把「多模态长期记忆」写进AI的底层操作系统。
研究人员推出并开源MIRIX，全球首个真正意义上的多模态、多智能体AI记忆系统。
论文链接：https://arxiv.org/abs/2507.07957
官方网站：https://mirix.io/
开源仓库：https://github.com/Mirix-AI/MIRIX
在ScreenshotVQA这一需要深度多模态理解的挑战性基准上，MIRIX的准确率比传统RAG方法高出35%，存储开销降低99.9%，与长文本方法相比超出410%，开销降低93.3%。
在LOCOMO长对话任务中，MIRIX以85.4%的成绩显著超越所有现有方法，树立了新的性能标杆。
与此同时，研究人员在Mac端上线了一款应用产品，通过这款开箱即用的应用程序，终于可以为每个人构建专属于自己的AI个人助理。
桌面端APP使用场景
直接访问官方网站，即可直接下载APP:
教程链接：https://docs.mirix.io/getting-started/installation/#quick-installation-dmg
安装完成并设置好Gemini API Key，一切就绪后，它便会悄悄启动，开始记录你的电子生活点滴，编织出一份只属于你的数字记忆。
所有记忆都可以直观地可视化：
你也可以直接和智能Agent对话，它不仅能回答你关于记忆和过往活动的任何问题，还能在需要用到你历史信息的场景下提供帮助。
以下是一些互动示例，感受一下它如何变成你的专属数字助理：
帮我写一个Meta的工作申请
告诉我我今天做了什么
一套全新的思路
大家通常会将记忆分成Long-Term Memory（长期记忆）和Short-Term Memory（短期记忆），但这其实是一个误区，这是人类记忆的方式。
但是，对于大模型，只区分长短期是不够的，研究人员首次提出将memory分成如下六个模块：
核心记忆（Core Memory）:存储关键且持久的信息，如用户姓名、喜好、助手人格特征等。分为 human 和 persona 两大块，当容量超过 90% 时会自动重写以保持精炼。
情景记忆（Episodic Memory）:记录按时间戳排序的事件，如用户的一次操作或对话。每条条目包含事件类型、摘要、详情、主体与时间，方便检索近期行为。
语义记忆（Semantic Memory）:存储抽象概念和事实，如「Harry Potter 的作者是 J.K. Rowling」或「John 是用户的朋友」。每条信息载有名称、摘要、详情与来源，便于建立用户知识图谱。
程序记忆（Procedural Memory）:专注于任务流程和操作指南，例如「如何部署应用」、「设置 Zoom 会议」等。条目由流程类型、描述与步骤组成，支持结构化调用。
资源记忆（Resource Memory）:保存用户当前正在处理的文档、截图、语音等资源。使用条目包括标题、摘要、资源类型及全文或摘要内容，以便任务连续性回溯查询。
知识金库（Knowledge Vault）:用于储存敏感信息，如 API Key、密码、联系方式等。带有敏感等级（低/中/高），并设置访问控制和加密机制，确保安全不被随意调用。
多智能体工作流（Multi-Agent Workflow）
由于记忆系统相对复杂，我们需要一个多智能体系统来控制这样的记忆系统。
MIRIX 中设置了 一位 Meta Memory Manager（元记忆管理者） 与 六位子 Memory Manager（记忆子模块），如下配合：
更新流程（Memory Update Workflow）
1.输入触发：屏幕截图或对话输入进入系统，首先触发全局记忆搜索。
2.路由分析：Meta Manager 判断哪些 memory component 相关，决定路由方向。
3.并行更新：对应的 Memory Manager 接手更新条目，去除冗余。
4.汇报完成：所有更新完毕后，Meta Manager 通知系统，进入下一轮
、
检索与对话流程（Retrieval & Chat Workflow）
1.主动检索（Active Retrieval）：用户问问题时，Chat Agent 先用 LLM 自动生成一个「topic」。
2.多 memory 检索：依 topic 从六个 memory component 中检索 topk 信息。
3.拼接响应：检索内容按来源打标签（如 <episodic_memory>...</episodic_memory>），输入系统 prompt。
4.自然回答：结合检索信息给出对话答复。
5.若有新信息：系统会将用户新输入路由至相关记忆模块进行补充
性能飞跃：远超RAG基准及其他记忆系统
研究人员从三个学生的电脑上获得了累计超过4万5千张高分辨率屏幕截图，并基于这些屏幕截图构建了一系列的问题，从而得到ScreenshotVQA Dataset。
数据集规模：每个序列包含近2万张高分辨率截图，情景复杂、多模态混合，无其他系统可用。
对比模型
Gemini：Long Context方法。
SigLIP@50：检索增强生成系统，我们提取最相关的50张图片并输入给大模型回答问题。
MIRIX：提出的方法。
性能结果
相比于RAG，MIRIX提升性能35%，存储降低99.9%；
相比于Long Context方法， MIRIX存储降低93%，性能提升410%。
数据集场景
单模态文本对话，包含600个对话、平均2.6万 token长，强调模型跨上下文的长期记忆能力。
对比模型：包括LangMem、Zep、Mem0、RAG-500等多个记忆增强与检索系统。
MIRIX表现：整体准确率达85.4%，创下新的SOTA记录，远超其他基线。
结语
MIRIX标志着大模型进入了一个全新的发展周期 —— 从「即时对话生成」跃升至「长期记忆驱动的智能心智」。
更重要的是，MIRIX 不只是一个科研成果，团队同步推出了桌面个人助理应用，支持即时采集多模态数据，并以可视化树状结构管理记忆。所有 memory 均存储于本地 SQLite，全面守护用户隐私。
现在就可以下载安装，体验MIRIX为你构建全新的记忆系统，做一个可以记住你的AI个人助理。
参考资料：
https://arxiv.org/abs/2507.07957
本文来自微信公众号“新智元”，作者：LRST ，36氪经授权发布。
