AI 终于有了“记忆操作系统“——MemOS 7100+ Star，让你的 OpenClaw 从此不再失忆

yfj-unicorn

420人浏览 · 2026-03-16 19:59:59

yfj-unicorn · 2026-03-16 19:59:59 发布

哈喽，大家好，我是最近在焦虑的顾北！

我最近在关注一个项目，叫 MemOS。

起因是我在跑一个长期 Agent 任务的时候，发现一个让人抓狂的问题：每次对话重新开始，AI 完全不记得上次做了什么。哪怕我在 MEMORY.md 里写了一堆上下文，token 消耗还是噌噌往上涨，而且随着会话变长，AI 开始答非所问。

这根本问题是什么？大模型没有真正意义上的记忆管理系统。

MemOS 就是来解决这个问题的。

AI 的"失忆症"，比你想象的更严重

现在的 LLM，记忆系统基本上就两种：

参数记忆：训练进去的知识，烧死在权重里，改不了，也不会自动更新
上下文记忆：当前 session 的对话历史，窗口关了就消失

RAG 算是一个补丁，但它本质上是个无状态系统——只管检索，不管生命周期，不管演化，不管跨平台迁移。

你用一个 Agent 用了三个月，它依然不知道你叫什么名字，不知道你的工作习惯，不知道上次任务是怎么解决的。

每次都在烧你的钱，给你一个失忆的 AI。

MemOS 的核心思路：把记忆当成操作系统资源来管

MemOS 来自 MemTensor（上海记忆张量科技）和上海交通大学、人民大学、北京大学等多所高校的联合研究，2025 年 7 月在 arXiv 发表论文，随后开源。

它的核心思想其实一句话能说清楚：

像操作系统管理 CPU、内存、存储一样，统一管理 AI 的记忆。

传统 OS 把内存抽象成可调度的系统资源；MemOS 把 AI 的记忆也做成了"一等公民"，有生命周期、有优先级、有调度器、有垃圾回收。

三种记忆类型，统一管理

MemOS 定义了三类记忆并统一纳管：

记忆类型	含义	对应传统 OS
参数记忆	模型权重里的知识	ROM/固件
激活记忆	KV Cache，运行时状态	RAM
明文记忆	可读写的文本记忆	磁盘存储

以前这三类各自为政，互不沟通。MemOS 用一个叫 MemCube 的标准化容器把它们封装在一起，每个记忆单元都带有元数据：创建时间、来源、相关性评分、生命周期状态。

MemScheduler：记忆调度器

类比 OS 的进程调度器，MemOS 有一个 MemScheduler 来负责：

决定哪些记忆应该被召回（检索）
哪些记忆已经过时应该被清除（遗忘）
哪些记忆应该被合并升级（进化）

这套调度机制让 AI 在回答问题前，会先主动检索相关记忆，而不是傻乎乎地把整段历史对话全塞进 prompt。

MemOS 2.0「星尘 Stardust」：现在的进度

截至今天（2026 年 3 月 16 日），MemOS 已经发布到 v2.0.9，代号「星尘 Stardust」，GitHub Star 数超过 7100，Fork 数 626，40 位贡献者，迭代了 21 个版本。

几个关键数据拎出来：

🎯 准确率 vs OpenAI Memory +43.70%（LoCoMo 基准测试 75.80 分）
💰 减少 35.24% 记忆 token 消耗
📈 LongMemEval +40.43%，PersonaMem +40.75%
🤯 PrefEval-10 +2568%（偏好记忆评估）

对 OpenClaw 用户来说，最直观的数字是：

token 消耗从 1560 万降到 440 万，减少 72%。

Skill 记忆：从「记住」到「学会」

最近的版本里，MemOS 推出了一个我觉得很有意思的能力：Skill Memory（技能记忆）。

转化路径大致是：

用户历史对话
  → 任务结构抽取
  → 能力模式归纳
  → Skill 生成
  → Agent 调度执行

说人话就是：AI 从你们之前的对话里，自动归纳出「这个任务怎么做最高效」，把它变成一个可复用的技能模块。

下次遇到同类任务，直接调用这个 Skill，而不是重新推理一遍。

这个能力的价值在于：记忆不只是上下文数据，而是可以指导行为的执行能力。从「记住发生了什么」进化到「学会了怎么做」。

给 OpenClaw 用户：本地插件直接用

MemOS 为 OpenClaw 提供了两个版本的插件：

云端插件（Cloud Plugin）：

72% 更低的 token 用量
多 Agent 共享记忆（同一个 user_id，多个 Agent 实例自动同步上下文）

本地插件（Local Plugin，memos-claw）：

完全本地化，所有数据存 SQLite，零云依赖
内置 Web 管理面板，记忆/任务/技能全可视化
分级模型策略：Embedding 用轻量模型，摘要用中等，技能提炼用高质量——按需分配

安装方式：

openclaw plugins install @memtensor/memos-local-openclaw-plugin
openclaw gateway start
# Memory Viewer → http://127.0.0.1:18799

启动后，浏览器打开管理面板，可以直接查看、编辑、删除记忆，不再是黑盒。

多模态记忆：图片也能进记忆库

v2.0.x 版本还加了一个细节：多模态记忆。

之前图片解析是孤立的，没有上下文约束。新版本在 LLM 解析图片时，会结合：

历史对话内容
用户当前输入的文字

生成的记忆质量明显更高，能捕捉到用户的主观表达和情感线索，而不只是「图片里有一个芒果」这样的硬描述。

# 多模态记忆添加示例
"messages": [
    {"role": "user", "content": "我是小王。"},
    {"role": "assistant", "content": "小王，你好！"},
    {"role": "user", "content": [
        {"type": "text", "text": "我正在吃水果，这是我的最爱"},
        {"type": "image_url", "image_url": {"url": "..."}}  # 芒果图片
    ]}
]
# 生成记忆：用户可能对芒果有特别的喜好或情感连接