MindMemOS：为 AI 智能体设计的可演化记忆操作系统

近期发表于 arXiv 的研究《MindMemOS: A Portable and Self-Evolving Memory Operating Layer for AI Agents》提出了一种面向 AI 智能体的可移植、自演化记忆操作系统。论文指出，记忆是智能体的核心组件，使其能够积累经验、保持个性化并适应长期交互，但现有记忆系统在开发完成后往往保持固定，难以在使用过程中持续调整记忆模型、组织策略与过程性知识。MindMemOS 正是为解决这一局限而设计。

核心架构：统一的实体—属性—时间结构

研究团队将 MindMemOS 设计为一个独立的「记忆操作层」，可在不同应用间移植。该层使用统一的「实体—属性—时间结构」（entity property timestructure）来组织开放世界信息，从而支持：

• 面向场景的自适应记忆建模；
• 高阶模式发现；
• 自主记忆精炼；
• 持续技能演化。

这套结构使记忆不只是静态存储，而能根据使用情境动态调整。

两个关键算法：MindMemEvolve 与 MindSkillEvolve

论文提出了两条核心算法路径：

• MindMemEvolve：采用「验证驱动的演化搜索」，针对目标场景优化记忆模式（schema）。当智能体进入「dreaming」状态时，系统会合并冗余记录、解决冲突，从而巩固已积累的记忆。同时，隐式的纠正性反馈被用作人在回路信号，用于识别并修正可能不准确或错位的记忆。
• MindSkillEvolve：把智能体的执行轨迹转化为可复用、并能逐步精炼的技能，使经验沉淀为可调用的能力模块。

基准成绩

论文报告了 MindMemOS 在三个基准上的表现：

• LOCOMO 准确率：94.03%；
• PersonaMem 准确率：70.63%；
• SpreadsheetBench：在初始技能基线之上，MindSkillEvolve 将成功率再提升 9.2 个百分点。

综合来看，MindMemOS 把记忆建模、冲突消解与技能演化整合到同一层，强调「用中演化」与人在回路修正，为长时交互智能体提供了一条可移植的记忆基础设施路径。