产品更新｜多视角记忆、检索精筛与 Skills 本地化上线

本次更新围绕"记忆系统工程化"和"Agent 能力结构化"两条主线，对云服务和开源项目做了系统升级。核心改进集中在多视角记忆、记忆版本管理、检索召回质量、Skills 本地化，以及若干生产环境的稳定性优化。

本次发布亮点

1. 多视角记忆：让每个 Agent 拥有“自己的记忆世界”

传统 Agent 架构里，记忆通常是全局共享的，所有 Agent 共享同一份"客观记忆池"。这在多角色系统、多 Agent 协作场景中容易导致行为冲突和角色混淆。

我们上线了多视角记忆（Multi-Perspective Memory），为每个 Agent 引入"主观视角"的记忆结构。同一事实可以在不同 Agent 那里形成不同视角的记忆表达和认知结构。每个 Agent 的记忆体拥有自己的"主观视角"，适合需要角色化、队伍化的 AI 游戏或多 Agent 协作场景，比如组队游戏、角色化陪伴类应用。

帮助系统在多 Agent 协作时避免"一刀切"的全局记忆，便于实现个性化行为和角色差异化决策。记忆不再是单一全局视图，而是 Agent 级别的认知世界模型。

2. 多视角 AI 小游戏 Demo：多 Agent 记忆协作的真实形态

基于多视角记忆的小游戏"冲顶鳌太线"已经上线，提供组队冲顶玩法的示例。Demo 以组队协作为核心场景，多 Agent 各自拥有独立视角记忆，同时参与协作任务目标，形成"个体认知 + 团队目标"的复合结构。

该 Demo 以组队协作为核心场景：

• 多 Agent 各自拥有独立视角记忆
• 同时参与协作任务目标
• 形成“个体认知 + 团队目标”的复合结构

3. 检索记忆（search/memory）能力增强：更准 + 更省 Token

3.1 关键词召回 + 语义相似度混合排序

在事实记忆检索链路中新增 ​关键词召回机制​，并与原有语义相似度检索进行混合排序：

• 提升召回覆盖率；
• 提升召回准确率；
• 避免单一语义相似导致的语义漂移问题。

实测效果：

• LongMemEval 提升 1.8%；
• Locomo 提升 0.72%。

该能力默认开启，开发者无需额外配置。

3.2 消耗 Token 更少的记忆召回策略（相关性精筛）

新增 relativity（相关性阈值） 与 memory_limit_number/top_k 等参数，允许开发者按阈值只返回高相关性的记忆，从而显著降低注入 prompt 的 token 消耗，控制成本并提高上下文质量。

为解决记忆注入导致的 Token 消耗问题，search/memory 接口新增 ​相关性精筛机制​：

• relativity：相关性阈值（0~1）；
• memory_limit_number / top_k：召回数量上限。

系统只返回：

• 相关性 ≥ 阈值；
• 且 数量 ≤ 上限 的记忆集合。

这使 MemOS 的记忆注入从“暴力拼接”升级为：

精准召回 + 强相关过滤 + Token 成本可控

📌 当前 relativity 仅对 事实记忆、偏好记忆 生效。

​**示例（云服务）**​：

data = {
  "user_id": "memos_user_123",
  "query": "为我规划5天的成都游。",
  "relativity": 0.8, # 只返回相关性 >= 0.8 的记忆
  "memory_limit_number": 9 # 最多返回 9 条
}

​**示例（开源）**​：

{
  "user_id": "memos_user_123",
  "readable_cube_ids": ["memos_user_123_cube"],
  "query": "为我规划5天的成都游。",
  "relativity": 0.8,
  "top_k": 9
}

注意：relativity 当前仅对事实记忆与偏好记忆生效。

4. Skills 能力工程化升级 + MindDock 插件接入

4.1 Skills 本地化存储机制

Skills 文件支持​本地保存​，系统会为本地 Skills 自动生成专属访问 URL，LLM 可通过接口远程加载并运行 Skills，支持私有化部署与企业级管理。

这使 Skills 从"运行态能力"升级为可管理、可分发、可治理的能力资产。

开源项目中，Skills 文件现已支持​本地保存​：

• 系统自动生成专属访问 URL
• 大模型可通过接口远程加载 Skills
• 支持私有化部署与企业级管理

4.2 Skills 生成质量优化

系统现在可以基于用户历史消息生成更完整、更结构化的 Skills 描述，使技能从"零散规则"升级为结构化能力模块。

配置本地储存（开源）（简要步骤）：

Step 1: 添加环境变量到项目根目录的.env 文件

SKILLS_REPO_BACKEND=LOCAL
SKILLS_LOCAL_DIR=/tmp/upload_skill_memory/ # 最终存储位置
SKILLS_LOCAL_TMP_DIR=/tmp/skill_memory/ # 生成时的临时位置
SKILLS_LLM=gpt-4o

Step 2: 启动本地服务

uvicorn memos.api.server_api:app --host 0.0.0.0 --port 8001 --workers 1

4.3 MindDock 插件能力接入

插件 MindDock 现已支持：

• 在 ChatGPT；
• 千问；
• 等多平台聊天环境中。

并支持实时注入 Skills，使 Skills 成为​跨平台通用能力层​，而非单一模型绑定能力。

5. MCP 删除记忆路径增强：删除不再是“弱操作”

为更好支持用户删除记忆的意图识别与落地，MCP 处理逻辑更新为：

• 在识别到删除意图后，调用 deleteMemory 接口直接删除对应记忆；
• 同时调用 addFeedback 接口以记录用户反馈并更新相关记忆项，确保删除操作更可靠且可审计。

从“模糊删除”升级为​双通道强语义删除机制​，确保用户对记忆控制权的完整性与可靠性。

6. 记忆调度模块化重构：工程级稳定性升级

记忆调度任务处理器实现模块化重构并集中统一管理。

重构内容包括：

• 将检索流程拆分为：search →enhance→rerank→ filter 四阶段；
• 新增 search_service 统一 API 与 Scheduler 的文本检索实现；
• 修复 Redis Streams 调度消息序列化问题，补齐 mem_read/pref_add processor 的 user_context 传递。

我们提升了调度的可靠性、可观测性与可扩展性，便于在高并发场景下稳定运行。

7. 文档记忆双轨检索：记忆 + 原文 + 上下文协同

​新能力​：

• 支持​原文片段（RawFileMemory）与记忆（SummaryMemory）混合检索​，并可按需同时召回原文上下文以增强长文本语义连贯性；
• search_memory_type 支持三种模式：All（原文 + 记忆混合）、AllSummaryMemory（仅记忆）、RawFileMemory（仅原文片段）；
• neighbor_discovery 配置用于是否召回原文分片的上下文。

现在，文档记忆同时具备：

• 语义抽象能力；
• 原文可追溯性；
• 上下文连贯性。

​开源示例​：

data{
  "user_id": "testfile", 
  "readable_cube_ids": ["testfile_cube"],
  "query": "minddock 适配什么浏览器",
  "search_memory_type": "AllSummaryMemory", # 三种检索模式 All | AllSummaryMemory | RawFileMemory
  "neighbor_discovery": "true", # 若想召回原文上下文则置为 True
}

检索到的结果中：memory_type 新增 RawFileMemory（记忆原文片段）。

8. 记忆过滤器（Filter）支持秒级时间精度

filter 字段现在支持秒级别时间范围过滤（例如 "create_time": "2026-02-12 10:00:00"），适用于检索/获取记忆与对话接口的精确时窗筛选，提高审计与时效性控制的能力。

​示例​：

"filter" : {
  "and": [
    {"create_time": {"gt": "2026-02-01 10:00:00"}},
    {"create_time": {"lt": "2026-02-12 10:00:00"}}
  ]
}

9. 对话接口（Chat）稳定性与能力增强

• 修复了 qwen3-32b 回答失败的问题，恢复模型可用性；
• 对话接口现支持 relativity 字段，允许开发者在对话阶段控制召回记忆的相关性阈值，从源头减少低价值上下文注入。

对话系统在稳定性与成本控制层面同步升级。

10. 开源社区（CHANGELOG 摘要）

新增 / 新功能

• 记忆检索优化（关键词检索 + 语义混合）；
• 文档记忆双轨检索：原文 + 记忆协同检索；
• 文档记忆上下文唤醒（分片上下文）；
• relativity 精筛字段（0~1）；
• MindDock 与云服务 Skill 支持；
• MCP 删除意图触发 deleteMemory 与 addFeedback；
• Chat 接口可传 relativity。

改进

• 检索 pipeline 重构（Search → Enhance → Rerank → Filter）；
• 调度任务处理器模块化与 Redis Streams 修复；
• Skills 本地化存储与 URL 发布；
• Skills 生成质量提升。

修复

• Playground 使用体验问题修复；
• 偏好记忆阈值字段使用错误修复；
• 修复 get_memory 在复杂 filter 情形下的调用失败或卡顿问题；
• 修复 Chat 接口 qwen3-32b 回答失败，兼容 LLM 的 enable thinking 参数。

---

关于 MemOS

MemOS 为 AGI 构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。

作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。