标题MindMemOS: A Portable and Self-Evolving Memory Operating Layer for AI Agents来源arXiv, 2608.12428v1️文章简介研究问题现有AI代理记忆系统部署后结构固定难以适应新场景、处理冗余冲突及将经验转化为技能如何构建可移植且能自我进化的记忆层主要贡献论文提出MindMemOS一个基于统一实体-属性-时间结构的便携式自进化记忆操作层支持场景自适应建模、离线记忆整合及技能持续演化。重点思路采用统一的实体-属性-时间三维图结构组织开放世界信息支持无模式快速摄入与模式引导的精细化提取实现场景自适应的记忆建模。设计MindMemEvolve算法利用验证驱动的进化搜索优化记忆模式通过LLM引导的变异与交叉发现高阶模式自动适配目标场景。引入Dreaming机制进行离线记忆巩固合并冗余记录并解决冲突结合显式与隐式用户反馈精准修正不准确或不对齐的记忆。开发MindSkillEvolve算法分析代理执行轨迹通过无监督或有监督方式将成功经验与失败教训转化为可复用且不断优化的版本化技能。分析总结在LOCOMO基准测试中MindSchema模式达到94.03%的整体准确率优于EverOS等基线尤其在单跳和多跳推理上表现强劲。在PersonaMem个性化基准中整体准确率达70.63%显著提升了用户事实回忆与建议生成的效果证明了其在长期个人化交互中的优势。Dreaming机制能有效解决记忆冲突在MemoryAgentBench上将事实整合准确率提升约8-10%同时压缩了约20%的活跃记忆体积。MindSkillEvolve在SpreadsheetBench上将任务成功率从初始技能的48.0%提升至57.2%证明轨迹驱动的技能演化能显著增强代理执行复杂任务的能力。个人观点论文打破了传统记忆系统静态固定的局限将记忆视为一个动态演化的操作系统将记忆模式的优化、内容的清洗以及技能的提炼统一在一个闭环中。