MemOS 深度解读

“给 AI 装一个记忆操作系统——MemCube 做容器、MemScheduler 做调度、Dream Pipeline 做后台整理”

一句话定位

上海交大、北大、浙大等联合推出的记忆操作系统，把”记忆”类比为操作系统中的一级资源来管理——用 MemCube 做容器化、MemScheduler 做调度、Dream Pipeline 做后台整理，是 7 个项目中抽象层次最高、野心最大的方案。

设计哲学上最精彩的地方

MemOS 的核心思想是：记忆应该像操作系统管理文件、进程、设备一样被系统级管理。就像 Linux 有 VFS（虚拟文件系统）统一不同文件系统、有 scheduler 统一调度进程，MemOS 用统一的抽象层管理不同类型的记忆。

日常类比：其他记忆系统像一个专用的笔记本——有的适合记事实（mem0），有的适合记关系（Graphiti），有的适合记流程（Letta）。MemOS 像一台电脑的操作系统——它不关心你要记什么类型的内容，它提供统一的”文件系统”来存取，统一的”任务管理器”来调度，统一的”后台服务”来整理。它管理的不是记忆本身，而是”管理记忆”这件事的基础设施。

MemCube——四种记忆类型的统一容器

MemCube 把记忆分为四种类型，对应认知科学中的经典分类：Episodic（情景记忆，具体事件和对话片段，有时间地点上下文）、Semantic（语义记忆，提炼后的事实和概念，不依赖具体场景）、Procedural（程序记忆，怎么做某件事的步骤和方法）、Profile（画像记忆，用户或 Agent 的持久属性）。

这个分类比 DB-Agent-Memory 的 L0-L3 更接近认知科学理论模型，但也更抽象。开发者需要决定一条信息是”情景”还是”语义”，这个判断本身就是模糊的——”小明昨天说他喜欢咖啡”是情景记忆（因为有”昨天”这个时间点），还是语义记忆（因为”喜欢咖啡”是一个稳定事实）？DB-Agent-Memory 的 L0-L3 用”提炼程度”来区分层级，比”记忆类型”更容易判断。

Dream Pipeline——后台记忆巩固

Dream Pipeline 是 MemOS 最有趣的设计。它在 Agent 空闲时（类比人类睡眠时的记忆巩固过程）自动执行记忆整理：去重、关联发现、衰减过期记忆、将 episodic 记忆提炼为 semantic 记忆。这直接对标认知科学中的”记忆巩固”理论——睡眠时大脑重放白天经历，把短期记忆转化为长期记忆。

这个设计和 supermemory 的 Dynamic Dreaming 有相似思路，但 MemOS 的 Dream Pipeline 更系统化——它有明确的调度策略（什么时候跑、跑多久、优先整理什么），而不是简单的后台定时任务。

三种记忆层——超越文本

MemOS 独特的一点是它把记忆扩展到了文本之外，支持三种记忆层：Plaintext Memory（文本记忆，最常见）、Activation Memory（激活记忆，即 KV Cache，存储推理中间状态）、Parametric Memory（参数记忆，LoRA 适配器等模型参数）。把 KV Cache 和 LoRA 也算作”记忆”是一个大胆的抽象——在其他 6 个项目中，记忆就是文本或向量，没有人把模型权重当作记忆来管理。

局限性——过度抽象的风险

MemOS 的抽象层次最高，代码量也大（~1796 文件）。”操作系统”类比很优雅，但大多数 Agent 不需要区分”情景记忆”和”程序记忆”，一个简单的 key-value 或向量检索就够了。过度抽象的代价是：开发者为了用一个记忆功能，需要先理解一套完整的”操作系统”概念体系。MemOS 更适合学术研究或需要精细记忆管理的复杂 Agent 系统。

本地代码结构

MemOS/
  memos/
    memory/
      memory_cube.py           # MemCube 核心，四种记忆类型容器
      episodic_memory.py       # 情景记忆实现
      semantic_memory.py       # 语义记忆实现
      procedural_memory.py     # 程序记忆实现
      profile_memory.py        # 画像记忆实现
    scheduler/
      mem_scheduler.py         # MemScheduler，记忆操作调度
    dream/
      dream_pipeline.py        # Dream Pipeline，后台记忆巩固
    mos/
      mos.py                   # MOS 主入口，记忆增强推理系统
    storage/
      graph_backend.py         # 图存储后端（Neo4j 等）
      vector_backend.py        # 向量存储后端
    configs/                   # 配置管理
  tests/
  examples/
  docs/

本地关键文件