四大評估集均位列第一，MemOS 是如何定義 AI 時代的新基建

出品 | 創業最前線

作者 | 白華

編輯 | 閃電

美編 | 邢靜

審核 | 頌文

過去三年，AI賽道的競爭焦點清晰聚焦在“感知力”上——大模型（LLM）突破理解與生成邊界，多模態技術讓AI能看、能聽、能說，整個行業都在解決一個問題：AI能接觸多少世界？

但現在，風向變了。

要讓AI真正具備跨時間的關聯、推理與成長能力，長期記憶是繞不開的關鍵；如今，記憶早已不是“加個功能”那么簡單，而是上升為AI Agent競爭的“戰略層高地”。

這一判斷正被全球巨頭密集驗證：OpenAI已正式推出Memory API，允許開發者為AI接入長期記憶；Google在Gemini Memory項目上加速實驗室攻堅，內部優先級拉滿；Anthropic、Meta也在低調籌備顯式記憶模型，多家大廠甚至專門成立“Memory專項團隊”。

而在微軟CEO納德拉與Stripe聯合創始人約翰·科里森（John Collison）近期的深度對話中，也同樣提出“一個有效的Agent系統必須具備三個模型之外的要素：記憶（長期信用分配）、權限（嚴格遵守訪問限制）和有效的行動空間?！?/p>

巨頭們的動作已經說明，記憶賽道，戰事已起。

而在這一輪競賽中，一家中國初創公司——記憶張量，正以“操作系統級”的架構脫穎而出。2024年7月就在WAIC發布業內首個記憶分層大模型，2025年又趁熱推出MemOS 1.0，同步啟動OpenMem開源社區，把“AI記憶操作系統”從概念變成了可落地的工具。

近期，MemOS更發布兩大核心產品：

MemOS云平臺：企業可像購買云服務器一樣，按需調用“長期智能能力”，無需自建記憶系統；

MindDock：用戶首次擁有AI記憶產權，支持跨平臺遷移（如ChatGPT→Gemini），并將偏好、知識封裝為“個人經驗資產”。

這是一場范式轉移：記憶第一次成為可審計、可回滾、可遷移的系統資產——這意味著，AI智能將真正具備“復利效應”。而MemOS也極有可能成為“可治理記憶層的代表”，那MemOS到底是什么？做了哪些創新呢？

1、沒有記憶的AI，永遠完不成商業化

在討論MemOS之前，我們必須回答一個根本問題：AI為什么非要“有記憶”？

一個殘酷的事實，沒有記憶的Agent，只是高級聊天機器人。當前主流AI系統雖然能流暢對話、生成內容，卻始終困在“金魚記憶”的循環里，因為每次交互都像第一次見面，無法累積經驗、無法形成身份、無法建立信任。這種“一次性智能”在娛樂場景尚可應付，但在需要連續性、責任性和復利效應的真實商業場景中，幾乎寸步難行。

長期記憶，是Agent從“看上去聰明”走向“真正能工作”的分水嶺。

行業其實很早就意識到“記憶很重要”，但過去的技術策略都比較粗糙，更多是用各種“補丁”在彌補大模型沒有長期記憶的問題，而非系統資產。最主流的做法是兩類：一類是長上下文，把歷史對話原樣塞進prompt里，這種方式成本高、效率低、不可治理；另一類是RAG，用向量檢索拉回相關知識再拼進輸入。這兩種方式都只能提供一次性的、表層的“記住”。大廠這兩年也在做記憶，但多半停留在“功能級”。

過往的大部分方案本質仍是短時記憶的堆砌，不具備審計、回滾、遷移、復用等系統能力。更致命的是：它們的記憶不屬于用戶，也不屬于AI，而是鎖死在產品內部——既不能跨平臺遷移，也無法被用戶治理。

（圖 / 過去主流方案存在明顯局限）

這樣的方案造成結果就是，AI能算，卻不會成長；能聊，卻不能積累價值。企業投入大量算力，卻得不到ROI復利。

2、MemOS重構AI記憶的底層邏輯

要理解記憶對AI的真正價值，首先需要打破一個認知誤區：記憶的本質不是“存信息”，而是讓AI擁有可治理、可復用、可遷移的經驗資產。這才是AI從“單次響應工具”升級為“長期智能體”的關鍵。

而MemOS的核心突破，正在于精準落地了這一本質邏輯：它跳出了“功能級記憶”的窠臼，直接以“操作系統”視角重構AI的智能積累機制。

根據「創業最前線」了解，MemOS不是一個記憶插件，也不是一個數據庫封裝，而是行業首個面向AI的記憶操作系統。其核心理念是：讓AI擁有一套“像操作系統一樣管理記憶”的底層機制，而不是靠上下文堆砌、規則拼接來維持所謂的“記住”。

而為了實現這個目標，MemOS創新了三大機制，可以讓記憶真正“可用、可信、可復利”。具體來看就是為AI管理整個記憶生命周期：解釋寫入→回滾→遷移→復用。這個機制的重大意義就好像云計算之于服務器、支付系統之于交易——MemOS正在改變“智能如何積累”的底層規則。

其三層架構的創新價值尤為突出：在應用&API層，可以提供保存、更新、遷移、回滾等統一接口，將所有記憶能力做成標準化算子，開發者可以像調用API一樣使用記憶抽取、壓縮、回溯、遷移等功能，無需理解底層機制，就能構建具備長期偏好、穩定人設和跨任務狀態的智能體。

在系統層，MemOS最獨特的模塊是記憶調度器，可以對參數記憶、激活記憶與明文記憶進行預測性、異步調度。它負責管理記憶的全生命周期：哪些信息值得被抽取、何時總結、如何壓縮、何時遺忘、任務之間如何共享、沖突如何消解，以及執行時應該把哪些記憶喂給模型。這些都不再靠開發者寫規則，而由系統與小模型共同決策，讓記憶具備“自治調度能力”。

在存儲與基礎層，支持用戶記憶、領域記憶、專家記憶的封裝與跨模型遷移與恢復。不是把記憶當成外掛，而是通過后訓練、自蒸餾、記憶提純等方式，讓模型具備“記憶原生”的表征能力。長期偏好、任務狀態、上下文演化會被模型內化為穩定表征，類似人腦把長期記憶壓縮進皮層結構。這一點讓MemOS區別于市面上大多數仍依賴檢索和上下文拼接的方案。

最終的效果是，MemOS能讓模型不再是“無狀態推理器”，而是一個能基于自身歷史不斷進化的智能系統。它不像傳統方案那樣堆信息、從零開始，模型能夠在長期使用中持續積累經驗、參與決策并不斷演化。讓智能第一次變成“沉淀資產”，而不是一次性算力行為。

3、誰最需要MemOS？

技術架構的價值，終要通過場景驗證。那么哪些行業可以先做長期智能？

答案是，并非所有場景與行業都必須率先需要長期記憶，同時滿足以下三個條件的行業，才會率先擁抱MemOS：一是決策高度依賴歷史數據，二是操作依賴經驗連續性，三是錯誤成本極高。

例如金融行業，需記錄用戶風險偏好、投資歷史，且任何幻覺都可能導致重大損失；工業/運維行業，設備生命周期長達數十年，故障診斷、維護策略必須基于長期運行數據沉淀；客服/投顧/運營行業，“一次訓練，多次復用”可以大幅壓降人機協作成本；人格/陪伴類AI助手，因為用戶關系即資產，失憶等于關系歸零。

以個性化AI金融投顧客服為例，金融場景對“穩定性”和“個性化”要求極高。過去的智能客服最大的痛點是，每次都是從頭問、從頭解釋，越聊越像機器人。接入MemOS后，系統能自動記住用戶的風險偏好、過往問題、賬戶習慣、資產結構等長期信息。效果非常明顯：同一個用戶反復來咨詢，系統能保持一致的策略和人設，重復溝通減少超過60%，準確命中用戶需求的比例也顯著提升。更重要的是，它在業務越跑越熟，真正具備了“經驗積累”。

當然，MemOS的能力不僅體現在理念與客戶驗證上，更經過四大權威Benchmark的硬核驗證，覆蓋事實記憶、偏好理解、跨會話推理等全維度。

一是在算法效果上，MemOS不僅在所有核心指標上奪冠，并且在多個維度上實現了顯著的Token優化。可以直接減少推理成本，提高毛利率。

具體來看，在最懂用戶的PrefEval（個性化）方面，MemOS的個性化回答率（77.20%/71.90%）均位列第一，且“未感知偏好”的錯誤率僅為4.60%/7.40%，為全場最低，展現了對用戶偏好的穩定識別與長期記憶魯棒性。在PersonaMem（?戶畫像）方面，MemOS以61.17%的準確率位列第?，同時上下?開銷（Context Token）相較最強競品Memobase?幅節省31.93%。

（圖 / PersonaMem評測結果）

二是在核心記憶能力（LoCoMo&LongMemEval）方面，MemOS同樣表現卓越，均位列第一，確保了Agent的基礎“記憶”功能穩定可靠。

在LoCoMo方面，MemOS以75.80%的Overall得分奪冠，相較最優競品Memobase(72.01%)?出5.26%。在LongMemEval方面，MemOS以77.8%的Overall成績登頂，并在信息提取、跨會話、時間推理三項上均為Top-1。更重要的是，在實現更強效果的同時，Token消耗相?最強競品Memobase節省了7.1%。

（圖 / LoCoMo評測結果）

（圖 / LongMemEval評測結果）

工業級統治力方面，MemOS是唯一100%成功率的。在40 QPS壓力下，所謂的主流競品普遍嚴重失穩，成功率甚至跌至40%以下，基本處于不可用狀態。而MemOS穩如磐石，Add接口平均時延僅192ms，MemOS的平均檢索時延為440.5ms，實現真正的“即寫即查”。

（圖 / 核心接口性能壓測對比(Add/Search)）

三是在防幻覺記憶層面，記憶張量聯合中國電信研究院正式發布業內首個針對AI記憶系統的幻覺評估框架——HaluMem，它的出現，讓AI記憶系統首次具備了“自檢”與“溯源”能力。

不同于以往只能評估整體表現的黑箱方法，HaluMem首創了，并將記憶過程拆分為三個關鍵階段：在記憶抽取（Extraction）階段，可以評估AI是否正確抓取關鍵信息；在記憶更新（Update）階段，可以評估在修改舊信息時是否出現誤寫或偏差；在記憶問答（Usage）階段，可以評估AI回答問題時是否調用了正確記憶。

這種“操作級”評估方式，能夠精準定位幻覺來源，讓開發者真正理解——模型是在哪一步開始出現問題。

4、結語

現在的MemOS，已經不是實驗室里的demo，不僅和阿里云、天翼云等達成深度合作，還在金融投顧、工業運維、AI游戲等場景簽下商業訂單，真正讓“長期智能”從概念變成了企業能用的基礎設施。

（圖 / 攝圖網，基于VRF協議）

隨著落地案例的增多，AI行業的競爭邏輯也愈發清晰，過去以算力、模型參數為核心的單一壁壘正在失效，長期智能效率成為新護城河。擁有記憶資產的企業和個人，將獲得成本遞減、價值遞增的復利。因此，未來企業比拼的不再是“誰能生成內容”，而是“誰擁有可治理、可復用的經驗”。

在這場科技與產業變革中，MemOS的定位已十分明確，它如同信息時代的數據庫——數據庫曾成為所有信息系統的底層支撐，而MemOS正成為AI時代的“AI記憶基礎設施”，為各類AI Agent提供不可或缺的記憶底座。未來的AI Agent要真正“能干活、干好活”，或許都繞不開這層“記憶底座”——而MemOS，已經走在了前面。

*注：文中題圖來自界面圖庫。