当 Agent 拥有“肌肉记忆”：EverMemOs 的长期记忆系统设计与实践

01

记忆，Agent 基础设施的最后一块拼图

当用户向 Agent 发出“请用上个月的分析方法重新分析 Q4 数据，保留我上次手动调整过的两个参数”这一指令时，背后涉及四项能力缺口：跨数百条历史记录的时间语义定位、分散在多个会话中的流程重建、识别用户显式修改过的状态、以及推断该用户隐性的验收标准。这些能力无法仅靠增强基座模型获得。

两股力量将记忆系统推向了前台。第一股是上下文成本的超线性增长。即便模型支持 1M 或 5M 窗口，真实长任务仍会溢出——每次 API 调用重放全部历史，注意力复杂度 O(N)导致首 Token 延迟飙升，成本成为填不满的黑洞。第二股是 Agent 从无状态聊天转向有状态执行。以 OpenClaW 为代表的执行型 Agent，每个任务跨天、跨工具，必须记住用户的偏好、历史决策以及错误教训。没有记忆的 Agent，如同每天重新培训的实习生。

综合结论：记忆已经从“模型的一个特性”转变为"Agent 系统里独立的基础设施”。

团队将长期记忆拆解为三类，对应认知心理学的划分。情景记忆负责存储发生过的事件——时间、地点、参与方、因果链，作用是突破上下文窗口，保留推理素材。语义记忆/画像沉淀稳定事实——偏好、身份、习惯、价值观，承担长期个性化，作为隐形上下文。程序记忆/技能提炼如何做事的 SOP，包括触发条件与操作序列，让 Agent 随使用自我进化，越用越像用户。

理想的记忆系统应同时具备四项能力：跨时间的联想推理（时间和因果作为一等公民）、从经验到技能的抽象（不止存 Trace，还要沉淀可复用 Skill）、多模态统一记忆（文本、图像、表格不被模态分隔）、以及白盒管理与隐私隔离（可读、可改、可审计，严格租户隔离）。

02

从 RAG 到 MemoryOS：行业演进与能力缺口

记忆系统的四代演化沿着三条轴线同时上升：能力轴从事实检索到多跳推理再到程序性学习；抽象轴从 Token 到 Chunk 到 Entity/Relation 再到 Topic/Episode/Fact；工程轴从脚本库到 SDK 到云平台再到面向 Agent 的 OS。

第二代 Vanilla RAG 解决了“事实召回”，但它不算记忆。固定长度切块加向量相似度检索，无时间感知——“上个月的方法”无法被 Embedding 正确定位；无多跳推理，只拼接 TopK 片段；无 Profile 抽象，相同事实重复出现无法合并；无程序性记忆，成功经验一次性使用；无多模态原生，图像表格被扁平化。

第三代 Graph/KG RAG 引入实体与关系补上了拓扑结构。HyperGraphRAG 用超边表达多元关系，在 LoCoMo 上达到 86.49，是 RAG 类的最强基线。但图结构依然是被动的，缺少“用户画像”和“技能”这类抽象层。

第四代产品化记忆系统各有取舍。Mem0（2024 年首发）简洁快速，工程化最好，亚马逊等厂商在使用，但缺乏程序记忆与多模态。Zep 以时序化时间图为特色，擅长追踪跨会话变更。Memobase 将记忆建模为可更新的用户画像卡片，结构化字段驱动。MimOS（国内团队）定义了从 KV Cache 到参数化记忆的三层架构。现有方案在 Episodic、Profile、Procedure、多模态四个维度上无一拿满——这正是 EverMemOs 的起点。

03

EverMemOs：超图记忆与自进化技能

为什么选超图

真实对话框的关联是高阶的，并非两两配对。一次周报协作同时连接“写周报”这一 Topic、多个 GitHub Commit 事件、以及“老板不看代码”这一 Profile 事实。传统图只能表达成对关系，而超图的一条超边可以同时连接一个 Topic 下的所有 Episode，或一个 Episode 下的所有 Fact，将高阶关联一次性表达。

构建流水线分三个阶段，全部由 LLM 驱动且支持增量更新。第一阶段是边界检测：流式 LLM 对对话做语义完整切分，每个 Episode 附带摘要与时间戳。第二阶段是主题匹配：新 Episode 与历史 Topic 做相似度匹配，够相似则挂载到旧 Topic，否则新建。第三阶段是事实抽取：从每个 Episode 中抽取原子事实，并通过加权超边绑定。超边嵌入采用传播机制——节点的向量同时携带其所有高阶邻居的信息，为联合推理铺路。

检索阶段采用 Coarse-to-Fine 策略：先定位主题，再拉取 Episode，最后聚焦事实。默认参数（K_Topic, K_Episode, K_Fact）为(15,25,30)，初始候选池 100，可选 Cross-Encoder 重排序。在 LoCoMo Benchmark 上，HyperMem 在 Overall 得分 92.73，相比 HyperGraphRAG（86.49）提升 6.24，尤其在 Multi-hop 维度领先 12.8 分——超图对高阶关联的建模优势在此最明显。

从经验到技能：让 Agent 长出肌肉记忆

只存储 Trace 没有意义。人类学骑自行车，不是记录每次摔倒的物理参数，而是提炼出肌肉记忆。Agent 也一样——多次成功应抽象成“什么情况→哪几步→什么关键点”；失败经验应变成警示；用户纠正后，下次自动更新。

Self-Evolving Skills 的闭环包含五个自动阶段：经验采集→经验结构化（提取 Intent/Approach/Insight）→语义聚类→Skill 提炼→Skill 使用与反馈。每个 Skill 拥有四维成熟度评分：完整性（触发条件/步骤/注意事项是否齐全）、可执行性（步骤能否落到工具调用）、证据支撑（是否被多条正向经验证实）、清晰度（描述是否无歧义）。Skill 经历雏形、成长、成熟、退役的完整生命周期。

在 EvoAgentBench 上，团队用 OpenClaW 框架测试了四个领域。以 27B 模型为例，软件工程任务的基础成功率仅 11.5%，经过 100 轮自进化后暴涨至 38.5%（相对提升 234.8%）；信息检索任务从 30.8% 提升至 32.3%，对话轮次从 25.3 压缩至 26.5（注意此处为轮次增加，原文表格中 27B IR 轮次从 25.3→26.5，但 397B 从 36.3→24.3，小模型在简单任务上仍有波动）。更为关键的是：27B 模型配 EverMemOs 后在软件工程上达到 38.5%，与 397B 裸模型持平——记忆的边际收益高于参数规模扩张。

04

EverMemBench：让记忆评测对部署现实诚实

行业现有 Benchmark（LoCoMo、LongMemEval 等）均为 User-Assistant 双人对话，单场单 Persona，千轮级上下文，且 Memory Awareness 与 Profile Understanding 大部分未覆盖。团队自建 EverMemBench，基于三大设计哲学。

统一而非拼装：三个评测维度（精细召回、记忆意识、画像理解）在同一套对话、同一组角色上考察，避免碎片化评估。难度感知的评分：每道题带难度权重（0.8/1.0/1.2），“会做简单的”和“会做难的”不等同计分。对部署现实诚实：Pipeline 中所有L LM 统一为 4B 参数模型，排行差异真正反映记忆能力而非基座强弱。

场景设计为企业级多人多群组协作——模拟真实工作场景中产品群、算法群、工程群同时讨论相近主题，信息分散且相互关联。3×3 矩阵覆盖三类认知层级各三个子任务：精细召回包括单跳、多跳、时间跨度；记忆意识包括约束遵守、主动提醒与规则更新；画像理解包括风格模仿与角色边界推断。

主实验结果揭示了四个关键现象。第一，简单事实记得住，复杂关联记不住——单条信息最佳模型达 98%，但多人多群组多跳召回降至 26%。

第二，跨群组协作是核心瓶颈：问题涉及群组数从 1 增至 3 时，所有系统准确率下降超 60%。即便给全量上下文（Full Context）也扛不住，证明不是召回问题而是能力问题。

第三，时间轴推理很弱——“何时完成”“间隔多久”所有系统最高 45%，系统只把时间戳当标签排序，不理解任务生命周期。

第四，缺乏长期 Profile 理解：要求模仿某人沟通风格回复，最低准确率仅 11%。

05

总结：三条结论

第一，长上下文与外部记忆是互补而非替代关系。扩展上下文窗口缓解单次推理的信息密度，但无法替代跨任务的 Episode/Profile/Procedure 三类抽象。上下文是暂存，不是记忆。

第二，在经验密集型任务上，记忆架构的边际收益高于模型规模扩张。27B EverMemOs 在软件工程任务上追平 397B 裸模型，且跨信息检索、推理、工程三个维度全部正向提升——记忆优先于参数堆砌。

第三，多方协作推理是当前记忆系统的主要性能瓶颈。群组数增加导致准确率断崖式下降，且在所有受测系统上同时出现。下一个瓶颈不是规模或检索，而是跨主体信息流的建模。

分享嘉宾

INTRODUCTION

胡传锐

EverMind

算法负责人

2019 年校招加入奇虎 360 人工智能研究院，从 0-1 搭建智能物联网设备 CV 算法体系，后担任行业大模型负责人，主导研发的税务大模型荣获人民网数造新实体典型案例等荣誉；现任职 EverMind 算法负责人，主导 EverMemOS 及相关基准测试研发，核心技术应用于定位为"AI 联合创始人”、助力小团队高效协作的 tanka 产品。

点个在看你最好看

SPRING HAS ARRIVED