产品更新|MemOS 现已支持 DeepSeek Harness 长期记忆接入

Memmy 与 MemOS Local/Cloud Plugin 已完成对 DeepSeek Harness 的适配啦!

2.jpg

DeepSeek Harness 将模型、工具、界面和运行能力组织在 profile 中,并通过插件机制扩展运行时能力。

MemOS 已通过 DeepSeek Harness 的 Cordis 插件机制接入长期记忆,无需修改 DeepSeek Harness 源码。

任务执行时,Agent 可以获得与当前请求相关的记忆内容。回合结束后,新形成的决策和经验会进入后续的记忆处理流程。

现在,你可以把 DeepSeek Harness 接入已有的个人记忆,也可以直接在指定的 DeepSeek Harness profile 中安装本地记忆插件。

接入路径

3.jpg

通过 Memmy 接入个人长期记忆

Memmy 是你的个人记忆中枢,也是懂你的专属 Agent,让所有 AI 连接同一份记忆,在协同中持续进化。用户完成授权后,DeepSeek Harness 可以按当前任务检索相关内容,新的决策和经验也能按配置写回这份记忆。

完成授权并接入 DeepSeek Harness 后,DSH 可以按当前任务检索相关内容。新形成的决策和经验也能按配置写回这份记忆。

快速安装

打开 Memmy 的管理页面 -> 记忆管理 -> 跨 Agent 接入,找到 DeepSeek Harness 后点击安装插件。

4.png

安装完成后,进入 DeepSeek Harness 的设置和插件页面,确认 memmy-memory 已启用。

5.png

Memmy 采用本地优先的记忆管理方式。接入 DeepSeek Harness 前仍由用户决定授权范围,安装插件不会自动开放全部历史记录。

Deepseek Harness 目前还没有图片处理能力,如果你同时使用其他的 Agent 来弥补不识图的问题,可以让 Memmy 在后台打通记忆,直接做任务接续。

如图为 Cursor + DSH 操作方式:

6.png

通过 MemOS Local Plugin 在 DSH 中启用记忆

MemOS Local Plugin 2.0.16 可安装到指定的 DeepSeek Harness profile。它会记录对话中的关键结论、工具结果和执行轨迹,在后台完成摘要、索引和存储。后续任务可以召回与当前问题相关的约束和已经验证过的做法。

本次适配默认复用 DeepSeek Harness 当前的 provider 和 model。模型凭据继续由 DeepSeek Harness 的配置与解析机制管理,无需另行复制 API Key。手动指定模型时,显式配置优先。

前置条件

本地已经安装 DeepSeek Harness,并且终端可以执行 dsh,一键安装脚本适用于 macOS 和 Linux。

以下命令以 web 为示例 profile,使用其他 profile 时,请在两条命令中替换为实际名称。

curl -fsSLo memos-local-plugin-install.sh https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.shbash memos-local-plugin-install.sh --agent dsh --profile web --version 2.0.16

执行前请查看下载内容,并确认 web 是准备启用记忆能力的 DeepSeek Harness profile。

安装完成后重新启动 DeepSeek Harness。

dsh --profile web

安装后重启 DeepSeek Harness 即可生效,启动后:

Windows 环境可使用 DeepSeek Harness 的原生插件流程完成安装。在 PowerShell 中依次运行:

# 1) 给当前系统安装 pnpm npm install -g pnpm@11.7.0

# 2) 安装插件dsh plugin --profile web add "@memtensor/memos-local-plugin@2.0.16"

# 3) 验证配置dsh --profile web --dump-config

# 4) 启动/重启dsh --profile web

# 5) 若提示 ERR_PNPM_IGNORED_BUILDS(常见)执行下面两行命令后,再重新执行步骤2安装插件即可
cd "$HOME\.dsh\profiles\web"pnpm approve-builds --all

通过 MemOS Cloud Plugin 在 DSH 中使用云端记忆

MemOS Cloud DeepSeek Harness Plugin 0.1.0 是面向 DSH 的生命周期插件,在每轮用户请求的第一个模型步骤前调用 MemOS Cloud 的 /search/memory 接口。写回只在当前回合以 completed 状态结束后发生,内容包括本轮用户消息和默认启用的助手消息。

插件安装在本地 DSH profile 中,记忆检索、写入和后续处理由 MemOS Cloud API 完成,不需要在本机运行 MemoryCore、SQLite 数据库或 Viewer。

云端请求失败时,插件按 fail-open 方式处理,DSH 会继续执行当前回合。默认采集范围不包含当前工作目录、完整配置、system prompt、reasoning、插件注入的上下文和附件二进制,includeToolMemory 与 allowPublic 默认关闭。

前置条件

Cloud Plugin 需要使用 Node.js 22 系列中不低于 22.19.0 的版本,或 24.0.0 及以上版本。安装前,请先在 MemOS Dashboard 创建 API Key,并确认当前环境可以访问 MemOS Cloud API。

以下步骤使用 DSH 默认的 web profile。使用其他 profile 时,请将命令中的 web 替换为实际名称。

  1. 安装 Cloud Plugin

全局安装 DSH 后,可以直接运行下面的命令。

dsh plugin --profile web add @memtensor/memos-cloud-dsh-plugin@0.1.0

未全局安装 DSH 时,使用 npx 调用。

npx @deepseek-ai/dsh plugin --profile web add @memtensor/memos-cloud-dsh-plugin@0.1.0
  1. 保存 MemOS Cloud API Key

在 DSH 凭据文件 ~/.dsh/.credentials.yaml 中写入 API Key。请将示例值替换为自己的密钥,不要把真实密钥放入发布截图或日志。

MEMOS_API_KEY: mpg-your-key
  1. 添加最小插件配置

在 ~/.dsh/settings.yaml 中加入以下内容。

memos-cloud:  apiKeyEnv: MEMOS_API_KEY

这项配置让插件通过 DSH 的凭据服务读取 MEMOS_API_KEY。默认 API 根地址为 https://memos.memtensor.cn/api/openmem/v1。需要限制用户、知识库或 Agent 范围时,再配置 userid、knowledgebaseIds、multiAgentMode 等字段。

  1. 重启并检查配置

安装或修改配置后,重新启动 DSH Web。

npx @deepseek-ai/dsh web

还可以检查最终合并到 profile 的配置。

dsh --profile web --dump-config

输出中应当包含 @memtensor/memos-cloud-dsh-plugin 对应的 bundle,以及 id: memos-cloud 配置行。

在一次跨会话演示中看到记忆如何进入任务

本次演示先在对话 A 中记录了运动和明星偏好。进入对话 B 后,DeepSeek Harness 在上下文注入区域展示由 memos-local-memory 提供的相关记录,并据此回答新的偏好查询。

后续的运动推荐同样引用了这些记忆内容。截图展示的是一次偏好记忆召回流程,用于说明记忆在新会话中如何参与当前请求,未包含性能或准确率对比结论。

7.png

DeepSeek Harness 新会话中的 memos-local-memory 上下文注入,内容来自此前的偏好对话

8.png

跨会话交流——MemOS 帮助知道你的爱好

9.png

DeepSeek Harness 根据已注入的偏好记忆给出运动推荐

版本与使用范围

本文的本地插件安装示例使用 MemOS Local Plugin 2.0.16。

Memmy 与本地插件覆盖的记忆范围、可用来源和模型配置取决于用户的本地环境、授权选择与 DeepSeek Harness profile 配置。

当前版本适配 DeepSeek Harness 0.1.0-rc.6,已通过编译和契约测试。

选择接入方式时,可以先确认记忆需要覆盖哪些 Agent,以及记忆服务运行在本地还是云端。

  • 跨 Agent 使用个人工作信息时选择 Memmy;
  • 单个 DSH profile 需要本地记忆时选择 MemOS Local Plugin;
  • 希望使用托管记忆服务时选择 MemOS Cloud Plugin。

立即体验

Memmy:memmy.cn

MemOS Local Plugin:memos-claw.openmem.net


关于 MemOS

MemOS 为 AI 应用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。

相关推荐

权限撤了,Agent 为什么还记得那份报价?

MemOS 提供记忆的保存、检索、修改和删除操作,让 Agent 能在后续任务中使用已有的客户上下文。

MemTensor的博客 249

用 MemOS,让客服 Agent 记住上次聊到哪

整体可以概括为 “两次写入、一次组合召回”。每轮任务结束后,同一份任务记录分别写入用户记忆和 Agent Skill,通过指定不同的记忆类型;用户再次发起请求时,通过一次同时获取当前用户记忆、Agent Skill 和政策知识。当前会话历史仍由客服应用自己维护。具体来说,用户记忆通过user_id限定范围,Agent Skill 通过agent_id跨用户复用,政策知识库通过加入同一次检索。用户请求│├─ Agent 从业务应用读取当前会话历史│。

MemTensor的博客 264

OpenAI 发布 Agents API 之后,长任务 Agent 的记忆该如何管理?

OpenAI Agents API 把“持续运行数天”的 Agent 推向标准化,也暴露了长任务的另一面:上下文可以被压缩,进程可以被恢复,但一条状态为什么值得长期保留、何时失效、谁有权使用,仍然需要独立的系统判断。2026 年 9 月 10 日,OpenAI 发布 Agents API 公开测试版,将会话编排、上下文压缩和任务恢复等能力整合到托管的 Agent 运行框架(harness)中。开发者可以通过 API 启动 Agent,配置工具调用与子 Agent 协作,并在后续交互中继续推进已有任务。

MemTensor的博客 301

大模型是怎么炼成的(一):训练全景与开训准备

本系列会围绕 Llama 3、DeepSeek-V3/R1、Tulu 等公开程度较高的系统,回答三类问题:每个阶段解决什么问题、核心目标和算法是什么、工程上如何验证它确实有效。

MemTensor的博客 210

产品更新|MemOS Cloud 支持 DeepSeek Harness,新增 Native Hook

MemOS Cloud 新增 DSH No-Hook 接入,并在多种 Agent 框架中接入 Native HookMemOS Cloud CLI 现已支持 DeepSeek Harness(DSH)接入云端长期记忆。完成初始化后,MemOS Cloud CLI 会通过 DSH 原生的AGENTS.md与 Agent Skills 机制,把记忆检索和写入流程接入日常对话:开始回答前查询相关记忆,任务结束后沉淀本轮问题、结论和任务经验。

MemTensor的博客 355

Dreaming 升级之后,AI 记忆需要按年管理

MemTensor 从 Memory³ 相关记忆机制研究出发,通过 MemOS 推进记忆系统工程化,并继续探索 Agent 和记忆基础设施、记忆原生通用基座模型 等方向。

MemTensor的博客 374

Memory Poisoning:企业 Agent 必须建立的六道长期记忆控制

Agent 能够长期工作,记忆就会开始影响后续任务的质量与安全。企业需要知道一条记忆从哪里来,为什么被写入,哪些任务曾调用过它,发现问题后又能否及时修正或删除。长期记忆并不只是保存历史。它需要在每一次写入、召回和更新中保持可控、可查、可处理。

MemTensor的博客 345

FlashAttention:从 IO 感知到软硬件协同流水线

FlashAttention 不是一个「近似」或「省显存的小技巧」,而是对 attention 计算方式的一次重写:它用 ​​,在数学上等价地避免 materialize 𝑂(𝑆2) 的注意力矩阵,显著降低 HBM IO,并让许多常见形状更接近硬件的计算吞吐上限。FA1 确立 IO-aware 思想,不把 𝑆×𝑆 写进 HBM;FA2 通过减少 non-matmul FLOPs、沿序列维并行、split-Q,把 GPU 喂满;

MemTensor的博客 254

产品更新|Memmy 支持 Linux 啦!

v1.1.1 已正式发布,Linux CLI 安装资源已上线 ~大家千呼万唤的,Memmy 正式支持 Linux 啦!很多开发者的 AI 工作发生在终端里:在本地工作站处理项目,在远程开发环境中运行 Agent,或在 Linux 服务器上持续执行任务。项目背景、过去的排查过程、常用偏好和已经验证过的方案,会随着一次次会话逐渐积累。这次 Linux 支持将 Memmy 带到更多终端环境中。安装完成后,你可以直接通过memmy进入交互式 TUI,完成模型配置、发起任务并使用本地记忆能力。

MemTensor的博客 191

PHASE-Tree|为长线 AI 角色构建可演化的人格骨架

今年 6 月,NVIDIA 在 Unreal Fest 2026 公布了面向 Unreal Engine 5 的本地 AI 角色工具,并展示了将 NPC 的角色设定与具体表演过程分开的工作流,让角色能够根据现场情况行动和回应,同时保持角色一致性。当 AI 角色进入真实游戏运行时,一句台词通常会同时受到多组信号影响。

MemTensor的博客 350

PHASE-Tree|CPC 不只要会聊、会打,还要会成长:AI 队友的状态演化难题

生成模型随后读取更新后的当前状态,让新的关系、立场和情绪体现在下一次回应中,同时保留没有被证据推翻的原有性格。原始对话信息密度很高,系统先从目标角色的视角提取真正与角色变化有关的事实:他新知道了什么、对谁的态度改变了、做出了什么承诺、立场和情绪发生了什么变化。PHASE-Tree 主要借鉴前两个层次:前者对应长期的性格倾向、表达方式和行为风格,后者对应对某个人的态度、在一段关系中的承诺,以及面对特定事件时形成的立场与应对方式。角色设定写下角色最初是谁,长期记忆保留已经发生的事。

MemTensor的博客 191

MemOS Skill 上线|一句话即可接入 MemOS Cloud

Agent 已经不只是聊天窗口了,它们在 IDE 里改代码,在终端里跑命令,在办公流里处理文档,也开始替大家连接插件、调用工具、串起自动化流程。为了帮助开发者在 Claude Code、Cursor 等 Agent 开发工具中更快接入 MemOS Cloud,我们上线了 MemOS Skill。我们希望,只需一句提示词,即可让 Agent 自动通过 MemOS Skill 接入 MemOS Cloud。

MemTensor的博客 176

从 Memory 到 Skill:长周期 AI Agent 如何实现持续进化

历史记录能帮 Agent 想起过去,却不能保证它下一次真的会按正确方法做。MSCE 想补上的,正是“记得”和“会做”之间的这段空白。

MemTensor的博客 249

产品更新|MemOS Cloud 全新升级:让 AI 认准人、记全事、分清归属

一个真正能长期陪伴用户的 AI,不能只是“记住几句话”。它得知道:这个人是谁,最近经历了什么,哪些偏好是长期稳定的,哪些只是某次对话里的临时信息。在群聊、家庭助手、企业协作、多 Agent 场景里,它还得分清楚——这句话是谁说的,这段记忆属于谁,之后又该为谁调用。过去,MemOS 已经能够稳定处理事实、偏好、技能和工具经验。这次 MemOS 版本更新,我们把注意力放到了三个更接近真实产品的问题上:认准人、记全事、分清归属。

MemTensor的博客 243

产品更新|MemOS CLI 上线:让能跑命令行的 Agent 更轻量接入长期记忆

MemOS CLI正式发布,将长期记忆能力引入命令行,为人、脚本和Agent提供统一记忆调用入口。核心功能包括: 快速验证:通过终端命令直接测试记忆的写入、检索、读取等操作,简化开发调试流程。 Agent集成:支持Codex/Cursor/Claude等主流Agent自动调用记忆,实现"对话前检索+对话后写入"的自动化流程。 统一接入:打破框架限制,通过标准化CLI为多平台提供一致记忆层。 典型场景:开发者可用memos add写入用户偏好,memos search验证召回效果,再通过memos init

MemTensor的博客 448

产品更新|MemOS 新增 Dream 离线反思:让记忆系统学会在后台「做梦」

MemOS推出Dream功能,让记忆系统在后台自动整理记忆,从被动存储转向主动洞察。Dream通过分析分散记忆,识别深层问题并生成InsightMemory,帮助Agent更高效地应对用户需求。更新亮点包括:1)离线反思机制,避免实时对话的碎片化处理;2)DreamDiary记录梦境过程,保证透明度;3)插件化设计,支持灵活扩展。该功能已在MemOS开源仓库发布,邀请社区开发者共同完善。

MemTensor的博客 506

产品更新|MemOS 学会「读懂时间」,还能直接吃下你自己的 Skill

MemOS 一直主张"记忆即资产"。在真实对话里沉淀下来的解决路径、用户偏好、业务流程,不只是历史记录,它们也可以变成 Agent 后续执行任务时能调用的技能素材。这次更新后,MemOS 支持上传自定义 Skill 文件。检索时,自定义 Skill 会和自动生成的 Skill 一起被召回,供 Agent 使用。一句话说清楚就是,以前 Agent 像一个只靠临场发挥的新人;现在,你可以把团队已经验证过的 SOP、客服流程、排障手册直接交给它。遇到相关问题时,它先把合适的流程找出来,再按流程做事。

MemTensor的博客 480

产品更新|MemOS Local Plugin 2.0:Hermes Agent 和 OpenClaw 双 Agent 同步支持

MemOS Local Plugin 2.0 发布了!Hermes 和 OpenClaw 双 Agent 同步支持——从这一版开始,新的 Agent 都将通过本地插件同步支持,共享同一份核心。1.0 上线三个多月,社区反馈最多的是同一类问题:好不好用容易判断,但 Agent 学到的东西到底对不对、可不可信,没人说得清。MemOS Local Plugin 2.0 想补的,正是这块缺口——也是大模型与每一个真实用户之间的「最后一公里」。

MemTensor的博客 439

MemFactory:Agent 记忆终于有了自己的 LLaMA-Factory

还在为 Memory Agentic 操作框架反复重造轮子?也许,这正是这个方向迟迟没有爆发的根本原因。AI Agent 领域有一个越来越清晰的共识正在形成:真正决定 Agent 能不能从"会聊天的工具"进化成"长期持续工作的系统"的,不只是模型推理能力,也不只是工具调用能力,而是记忆能力。没有记忆的 Agent,本质上仍然是一个"单轮应答器"过去一年多,Memory-R1、MemAgent、RMM 三篇工作几乎前后脚放出来,社区里讨论"用强化学习训 Agent 记忆"的帖子开始刷屏。

MemTensor的博客 499

记忆抽取 API 上线:MemReader——让你的 Agent 学会「想清楚再记」

MemReader-4B 在 LongMemEval 的知识更新维度上达到了 91.03%,时序推理达到 84.21%,远超 4o-mini 的 74.26% 和 77.44%。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。我们希望通过 MemReader 做到的,说到底就是让记忆写入这个动作,从一个无脑的信息搬运,变成一个有判断的认知过程。看起来没问题对吧,但「那个项目」是什么?

MemTensor的博客 475

SkillsVote:从技能目录走向终极技能网关(Ultimate Skill Gateway)

成千上万个 skills 摆在面前,你的 Agent 为什么还是不会干活?2025 年底 Anthropic 把 Agent Skills 规范作为开放标准发布,OpenAI 在 Codex CLI 里跟进了同一套格式,Cursor、Gemini CLI 也陆续接入。有人说 2026 是"Agent 找到工作并开始写周报"的一年——工具连接标准化了,流程知识模块化了,分发机制也产品化了。

MemTensor的博客 723

AI 数据迁移指南|Claude 靠提示词搬家,MindDock 一键完整备份记忆

摘要:OpenAI近期引发大规模用户抵制,同时Claude推出"记忆导入"功能引发AI数据主权争议。文章提出MindDock解决方案,帮助用户管理、迁移各AI平台的记忆数据,实现一键导出、跨平台共享记忆等功能。同时介绍如何将ChatGPT记忆迁移到OpenClaw,强调用户应掌握自己的AI记忆数据主权。文末提供相关工具下载链接,倡导建立统一的AI记忆管理平台。(149字)

MemTensor的博客 574

一行命令|MemOS OpenClaw 本地插件发布,团队记忆、Skill、历史记忆导入全都有!

还有一个栗子:你和 OpenClaw 花了 2 小时调试一个复杂的部署问题。你:部署到 Vercel 报错了Agent:看下报错信息你:[粘贴报错]Agent:需要修改 vercel.json你:怎么改?Agent:[给出配置]你:还是不行Agent:试试这个方案...(继续 20 轮对话)你:成功了!任务:部署 Next.js 应用到 Vercel成功部署并解决 SSR 错误配置的rewrites规则修改build脚本处理环境变量调整的错误处理成功部署,访问正常需要在。

MemTensor的博客 1670

创新高!MemOS 单日调用量突破 300,000 次

MemOS记忆操作系统累计调用量突破2600万次,单日峰值达30万次,呈现快速增长态势。作为AI记忆管理基础设施,MemOS首创"三层记忆调度"架构,已服务腾讯、联想等500+企业客户,覆盖金融、游戏、智能家居等领域。其开源版本GitHub Star超5.7k,全球开发者超1.1万。通过开源+Cloud+插件生态,MemOS在AI陪伴、游戏NPC、金融投顾等场景实现应用,显著提升用户体验和业务效率。记忆张量公司作为MemOS开发方,已完成近亿元天使轮融资,致力于推动AI记忆技术的规模化落

MemTensor的博客 621

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"两大方向,重点推出多视角记忆系统,支持每个Agent拥有独立记忆世界。新增混合检索机制提升召回质量,并优化Token消耗控制。Skills能力升级为本地化存储,MindDock插件实现跨平台接入。记忆删除机制强化为双通道模式,调度系统完成模块化重构。文档记忆支持原文与摘要双轨检索,时间过滤精度提升至秒级。开源社区同步更新检索优化、上下文唤醒等新特性,全面提升Agent系统的个性化、协作性和稳定性。

MemTensor的博客 752

上手教程|多个 OpenClaw 共享记忆,协作完成同一任务

摘要: MemOS OpenClaw插件通过共享记忆池实现多智能体协作,无需人工复制粘贴。两个独立的OpenClaw(A负责创意设计,B负责执行)通过相同user_id连接MemOS,自动传递上下文。MemOS通过检索-召回机制实现记忆共享:A的产出自动存入记忆池,B调用时直接获取完整背景。测试中,B成功基于A的小猫信息推荐罐头,验证了跨会话无损协作能力。MemOS作为“外部长效记忆”,为分布式Agent提供稳定的记忆调度支持,提升多智能体协作效率。 (字数:149)

MemTensor的博客 1661

MemOS OpenClaw 插件测评结果来啦!Tokens 消耗降低 72%+

OpenClaw 原生架构的记忆依赖上下文历史拼接、工具调用读写本地文件,以及显式对话指令触发记忆。

MemTensor的博客 1070

MemOS OpenClaw 插件上线啦!让你的 OpenClaw 拥有更好的记忆,降低 60% Token 消耗~

OpenClaw用户面临两大痛点:Token消耗过快和记忆功能不足。MemOS OpenClaw插件应运而生,通过智能记忆管理有效解决这些问题。该插件能精准检索相关记忆,避免无关历史干扰,将Token消耗控制在合理范围;同时自动记录关键信息,实现跨会话记忆保持。安装过程简单快捷,只需获取API Key并配置环境变量即可使用。插件还能可视化记忆管理,让用户查看和调整存储内容。MemOS重构了AI记忆管理方式,使OpenClaw在保持核心优势的同时,实现更高效的记忆调度和更可控的运行成本。

MemTensor的博客 1869

产品更新|Skill 能力正式上线,多模态记忆与检索体系全面升级

MemOS 最新版本升级记忆与知识管理能力,重点围绕技能化记忆(Skill)与算法工程优化展开。新增从历史对话自动生成Skill功能,将零散经验转化为可复用能力模块。多模态记忆处理引入上下文关联,图片与文本信息可协同理解。检索系统优化了去重与多样性平衡,新增记忆冲突检测模块。知识库支持更多文件类型和跨项目搜索,并兼容OpenAI协议接口调用。文档和示例全面更新校准,提升开发体验。这些升级使系统更智能精准,帮助用户高效沉淀和复用知识经验。

MemTensor的博客 1103

MemOS 产品更新|知识库检索更精准,记忆更省、更智能

在 v2.0.2 中,我们围绕「知识库问答效果」与「记忆系统内部机制」两条主线,对检索、工具记忆与事实记忆处理流程进行了进一步优化,同时补充了官方最佳实践文档,帮助开发者更快构建可落地的 MemOS 应用。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。在传统 RAG「只检索、不记忆」的基础上,该方案引入了 MemOS 的记忆能力,使问答系统能够在多轮交互中持续积累与利用上下文信息。

MemTensor的博客 920
上一篇: 产品更新|MemOS Cloud 全新升级:让 AI 认准人、记全事、分清归属
下一篇: 从 Memory 到 Skill:长周期 AI Agent 如何实现持续进化
记忆张量MemTensor
记忆张量MemTensor 记忆张量 MemOS 官方账号 记忆张量 MemOS 官方账号
博客等级 码龄1年 4粉丝 47原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值