四大评估集均位列第一，MemOS 是如何定义 AI 时代的新基建

出品 | 创业最前线

作者 | 白华

编辑 | 闪电

美编 | 邢静

审核 | 颂文

过去三年，AI赛道的竞争焦点清晰聚焦在“感知力”上——大模型（LLM）突破理解与生成边界，多模态技术让AI能看、能听、能说，整个行业都在解决一个问题：AI能接触多少世界？

但现在，风向变了。

要让AI真正具备跨时间的关联、推理与成长能力，长期记忆是绕不开的关键；如今，记忆早已不是“加个功能”那么简单，而是上升为AI Agent竞争的“战略层高地”。

这一判断正被全球巨头密集验证：OpenAI已正式推出Memory API，允许开发者为AI接入长期记忆；Google在Gemini Memory项目上加速实验室攻坚，内部优先级拉满；Anthropic、Meta也在低调筹备显式记忆模型，多家大厂甚至专门成立“Memory专项团队”。

而在微软CEO纳德拉与Stripe联合创始人约翰·科里森（John Collison）近期的深度对话中，也同样提出“一个有效的Agent系统必须具备三个模型之外的要素：记忆（长期信用分配）、权限（严格遵守访问限制）和有效的行动空间。”

巨头们的动作已经说明，记忆赛道，战事已起。

而在这一轮竞赛中，一家中国初创公司——记忆张量，正以“操作系统级”的架构脱颖而出。2024年7月就在WAIC发布业内首个记忆分层大模型，2025年又趁热推出MemOS 1.0，同步启动OpenMem开源社区，把“AI记忆操作系统”从概念变成了可落地的工具。

近期，MemOS更发布两大核心产品：

MemOS云平台：企业可像购买云服务器一样，按需调用“长期智能能力”，无需自建记忆系统；

MindDock：用户首次拥有AI记忆产权，支持跨平台迁移（如ChatGPT→Gemini），并将偏好、知识封装为“个人经验资产”。

这是一场范式转移：记忆第一次成为可审计、可回滚、可迁移的系统资产——这意味着，AI智能将真正具备“复利效应”。而MemOS也极有可能成为“可治理记忆层的代表”，那MemOS到底是什么？做了哪些创新呢？

1、没有记忆的AI，永远完不成商业化

在讨论MemOS之前，我们必须回答一个根本问题：AI为什么非要“有记忆”？

一个残酷的事实，没有记忆的Agent，只是高级聊天机器人。当前主流AI系统虽然能流畅对话、生成内容，却始终困在“金鱼记忆”的循环里，因为每次交互都像第一次见面，无法累积经验、无法形成身份、无法建立信任。这种“一次性智能”在娱乐场景尚可应付，但在需要连续性、责任性和复利效应的真实商业场景中，几乎寸步难行。

长期记忆，是Agent从“看上去聪明”走向“真正能工作”的分水岭。

行业其实很早就意识到“记忆很重要”，但过去的技术策略都比较粗糙，更多是用各种“补丁”在弥补大模型没有长期记忆的问题，而非系统资产。最主流的做法是两类：一类是长上下文，把历史对话原样塞进prompt里，这种方式成本高、效率低、不可治理；另一类是RAG，用向量检索拉回相关知识再拼进输入。这两种方式都只能提供一次性的、表层的“记住”。大厂这两年也在做记忆，但多半停留在“功能级”。

过往的大部分方案本质仍是短时记忆的堆砌，不具备审计、回滚、迁移、复用等系统能力。更致命的是：它们的记忆不属于用户，也不属于AI，而是锁死在产品内部——既不能跨平台迁移，也无法被用户治理。

（图 / 过去主流方案存在明显局限）

这样的方案造成结果就是，AI能算，却不会成长；能聊，却不能积累价值。企业投入大量算力，却得不到ROI复利。

2、MemOS重构AI记忆的底层逻辑

要理解记忆对AI的真正价值，首先需要打破一个认知误区：记忆的本质不是“存信息”，而是让AI拥有可治理、可复用、可迁移的经验资产。这才是AI从“单次响应工具”升级为“长期智能体”的关键。

而MemOS的核心突破，正在于精准落地了这一本质逻辑：它跳出了“功能级记忆”的窠臼，直接以“操作系统”视角重构AI的智能积累机制。

根据「创业最前线」了解，MemOS不是一个记忆插件，也不是一个数据库封装，而是行业首个面向AI的记忆操作系统。其核心理念是：让AI拥有一套“像操作系统一样管理记忆”的底层机制，而不是靠上下文堆砌、规则拼接来维持所谓的“记住”。

而为了实现这个目标，MemOS创新了三大机制，可以让记忆真正“可用、可信、可复利”。具体来看就是为AI管理整个记忆生命周期：解释写入→回滚→迁移→复用。这个机制的重大意义就好像云计算之于服务器、支付系统之于交易——MemOS正在改变“智能如何积累”的底层规则。

其三层架构的创新价值尤为突出：在应用&API层，可以提供保存、更新、迁移、回滚等统一接口，将所有记忆能力做成标准化算子，开发者可以像调用API一样使用记忆抽取、压缩、回溯、迁移等功能，无需理解底层机制，就能构建具备长期偏好、稳定人设和跨任务状态的智能体。

在系统层，MemOS最独特的模块是记忆调度器，可以对参数记忆、激活记忆与明文记忆进行预测性、异步调度。它负责管理记忆的全生命周期：哪些信息值得被抽取、何时总结、如何压缩、何时遗忘、任务之间如何共享、冲突如何消解，以及执行时应该把哪些记忆喂给模型。这些都不再靠开发者写规则，而由系统与小模型共同决策，让记忆具备“自治调度能力”。

在存储与基础层，支持用户记忆、领域记忆、专家记忆的封装与跨模型迁移与恢复。不是把记忆当成外挂，而是通过后训练、自蒸馏、记忆提纯等方式，让模型具备“记忆原生”的表征能力。长期偏好、任务状态、上下文演化会被模型内化为稳定表征，类似人脑把长期记忆压缩进皮层结构。这一点让MemOS区别于市面上大多数仍依赖检索和上下文拼接的方案。

最终的效果是，MemOS能让模型不再是“无状态推理器”，而是一个能基于自身历史不断进化的智能系统。它不像传统方案那样堆信息、从零开始，模型能够在长期使用中持续积累经验、参与决策并不断演化。让智能第一次变成“沉淀资产”，而不是一次性算力行为。

3、谁最需要MemOS？

技术架构的价值，终要通过场景验证。那么哪些行业可以先做长期智能？

答案是，并非所有场景与行业都必须率先需要长期记忆，同时满足以下三个条件的行业，才会率先拥抱MemOS：一是决策高度依赖历史数据，二是操作依赖经验连续性，三是错误成本极高。

例如金融行业，需记录用户风险偏好、投资历史，且任何幻觉都可能导致重大损失；工业/运维行业，设备生命周期长达数十年，故障诊断、维护策略必须基于长期运行数据沉淀；客服/投顾/运营行业，“一次训练，多次复用”可以大幅压降人机协作成本；人格/陪伴类AI助手，因为用户关系即资产，失忆等于关系归零。

以个性化AI金融投顾客服为例，金融场景对“稳定性”和“个性化”要求极高。过去的智能客服最大的痛点是，每次都是从头问、从头解释，越聊越像机器人。接入MemOS后，系统能自动记住用户的风险偏好、过往问题、账户习惯、资产结构等长期信息。效果非常明显：同一个用户反复来咨询，系统能保持一致的策略和人设，重复沟通减少超过60%，准确命中用户需求的比例也显著提升。更重要的是，它在业务越跑越熟，真正具备了“经验积累”。

当然，MemOS的能力不仅体现在理念与客户验证上，更经过四大权威Benchmark的硬核验证，覆盖事实记忆、偏好理解、跨会话推理等全维度。

一是在算法效果上，MemOS不仅在所有核心指标上夺冠，并且在多个维度上实现了显著的Token优化。可以直接减少推理成本，提高毛利率。

具体来看，在最懂用户的PrefEval（个性化）方面，MemOS的个性化回答率（77.20%/71.90%）均位列第一，且“未感知偏好”的错误率仅为4.60%/7.40%，为全场最低，展现了对用户偏好的稳定识别与长期记忆鲁棒性。在PersonaMem（户画像）方面，MemOS以61.17%的准确率位列第，同时上下开销（Context Token）相较最强竞品Memobase幅节省31.93%。

（图 / PersonaMem评测结果）

二是在核心记忆能力（LoCoMo&LongMemEval）方面，MemOS同样表现卓越，均位列第一，确保了Agent的基础“记忆”功能稳定可靠。

在LoCoMo方面，MemOS以75.80%的Overall得分夺冠，相较最优竞品Memobase(72.01%)出5.26%。在LongMemEval方面，MemOS以77.8%的Overall成绩登顶，并在信息提取、跨会话、时间推理三项上均为Top-1。更重要的是，在实现更强效果的同时，Token消耗相最强竞品Memobase节省了7.1%。

（图 / LoCoMo评测结果）

（图 / LongMemEval评测结果）

工业级统治力方面，MemOS是唯一100%成功率的。在40 QPS压力下，所谓的主流竞品普遍严重失稳，成功率甚至跌至40%以下，基本处于不可用状态。而MemOS稳如磐石，Add接口平均时延仅192ms，MemOS的平均检索时延为440.5ms，实现真正的“即写即查”。

（图 / 核心接口性能压测对比(Add/Search)）

三是在防幻觉记忆层面，记忆张量联合中国电信研究院正式发布业内首个针对AI记忆系统的幻觉评估框架——HaluMem，它的出现，让AI记忆系统首次具备了“自检”与“溯源”能力。

不同于以往只能评估整体表现的黑箱方法，HaluMem首创了，并将记忆过程拆分为三个关键阶段：在记忆抽取（Extraction）阶段，可以评估AI是否正确抓取关键信息；在记忆更新（Update）阶段，可以评估在修改旧信息时是否出现误写或偏差；在记忆问答（Usage）阶段，可以评估AI回答问题时是否调用了正确记忆。

这种“操作级”评估方式，能够精准定位幻觉来源，让开发者真正理解——模型是在哪一步开始出现问题。

4、结语

现在的MemOS，已经不是实验室里的demo，不仅和阿里云、天翼云等达成深度合作，还在金融投顾、工业运维、AI游戏等场景签下商业订单，真正让“长期智能”从概念变成了企业能用的基础设施。

（图 / 摄图网，基于VRF协议）

随着落地案例的增多，AI行业的竞争逻辑也愈发清晰，过去以算力、模型参数为核心的单一壁垒正在失效，长期智能效率成为新护城河。拥有记忆资产的企业和个人，将获得成本递减、价值递增的复利。因此，未来企业比拼的不再是“谁能生成内容”，而是“谁拥有可治理、可复用的经验”。

在这场科技与产业变革中，MemOS的定位已十分明确，它如同信息时代的数据库——数据库曾成为所有信息系统的底层支撑，而MemOS正成为AI时代的“AI记忆基础设施”，为各类AI Agent提供不可或缺的记忆底座。未来的AI Agent要真正“能干活、干好活”，或许都绕不开这层“记忆底座”——而MemOS，已经走在了前面。

*注：文中题图来自界面图库。