MemOS：它是什麼、解決了什麼問題以及為何受到關注

它解決了什麼

MemOS 旨在克服標準 LLM 記憶的限制，提供一個持久、長期且具情境感知與個人化的記憶系統。它以可檢視、可編輯的圖結構記憶取代「黑盒」嵌入存儲，減少 token 使用量，並提升長期檢索與個人化任務的準確性。

它如何運作

MemOS 如同一個「記憶作業系統」，統一資訊的儲存、檢索與管理。它採用分層架構來演化記憶：

• L1 追蹤：儲存原始互動歷史。
• L2 策略：學習使用者偏好與行為。
• L3 世界模型：建立對使用者的深度理解。
• 結晶技能：從互動中抽取可重用的模式。

它提供 統一記憶 API 以管理記憶，並有 MemScheduler 進行非同步攝取以維持低延遲，支援多模態輸入（文字、影像、工具追蹤）以及多立方知識庫，讓不同代理人與使用者之間的記憶可以是隔離的或共享的。

目標對象

開發 AI 代理人（如 Hermes Agent 或 OpenClaw）以及需要複雜長期記憶、個人化與跨多使用者或專案管理知識庫的 LLM 應用的開發者。

重點特色

• 多模態記憶：原生支援文字、影像與工具使用歷史。
• 圖結構：記憶可透過自然語言回饋檢視與編輯，而非隱藏的向量存儲。
• 自我演化：自動從原始追蹤演化至高階世界模型與技能。
• 高效能：聲稱相較於 OpenAI Memory 有顯著的準確度提升，且可減少 35‑72% 的 token 消耗。
• 彈性部署：提供雲端托管 API 或自行部署的 Docker 方案，支援多種 LLM 供應商（OpenAI、DeepSeek、Ollama 等）。