华为诺亚开源 MindMemOS 实战：让记忆和 Skill 一起进化，表格任务成功率 51.3% → 57.2%

传统记忆方案把记忆存成一组文本片段或向量块。问题在哪？看这个例子：

传统向量库里存着两条：
  片段 A：「用户以前喜欢 X」
  片段 B：「用户现在改用 Y」

检索时两条都命中，模型懵了——到底用哪个？
更糟的是它们被当成两段互不相干的文本。

MindMemOS 用三维坐标重建了这件事：

系统提供两条互补的记忆生成路径，按你的场景选：

记忆多了会互相打架：过时的、冲突的、冗余的堆在一起，检索质量反而下降。MindMemOS 的解法叫 Dreaming——离线巩固记忆、消解冲突。

MemoryAgentBench 的 FactConsolidation 测试结果：

  Dreaming 压缩了 19.4% - 23.5% 的活跃记忆
  同时把问答准确率最高提升 10.3 个百分点

  —— 记得更少，答得更准

配套还有 Feedback 机制：挖掘用户隐式的纠正性反馈，有选择地强化或降级已有记忆，让记忆和用户真实意图对齐。

MindMemOS 把 Skill 视为记忆系统的一个关键应用。系统提供云端 Skill 注册、版本链、同步和回滚能力，并通过统一的 Memory Add 接口收集真实任务轨迹。演进流程如下：

真实任务轨迹
  ↓ 提取目标、关键转折、工具使用、最终结果
  ↓ 聚合反复成功的策略 与 反复出现的失败
  ↓ 生成针对当前 SKILL.md 的修改计划
  ↓ 应用编辑，生成新的 Skill 版本
  ↓ 同步回后续任务

两种模式：
  MindEvolve-Unsup  轨迹无评分 → 从成功路径与失败模式无监督演进
  MindEvolve-Sup    轨迹有评分 → 强化高分行为，抑制低分错误

在 400 个真实表格操作任务的 SpreadsheetBench-Verified 上做三次重复实验：

架构上 MindMemOS 把 Agent 接入层、记忆算法层、记忆结构层解耦，接入方式很全：

开源代码提供的接入方式：
  · FastAPI HTTP 接口
  · Python SDK
  · CLI
  · Skills
  · OpenClaw 插件

覆盖完整记忆生命周期操作：
  add / search / update / delete / feedback / dreaming

项目地址：github.com/mindscale-noah/MindMemOS
项目官网：mindmemos.cn
许可证：MIT License（云服务已开放注册试用）

如果你已有自己的 Agent 记忆方案，与其推倒重来，不如按优先级搬这三条设计思想——它们不依赖 MindMemOS 的任何代码：

① 记忆条目加时间戳
   让「演化」成为可能。没有时间维度，
   你永远分不清「用户以前的偏好」和「现在的偏好」。

② 定期离线整理冲突条目（类 Dreaming）
   把冲突消解从手动改成定时自动。
   哪怕只是每晚跑一个 LLM 批处理去重合并，收益都很明显。

③ 从失败轨迹里长「避错规则」，而不是手写指南
   把 Agent 跑失败的轨迹收集起来，
   定期让模型总结成「不要做 X，因为会导致 Y」，
   追加进 SKILL.md 并做版本管理。