权限撤了,Agent 为什么还记得那份报价?

CRM 里的访问权已经撤销,Agent 却还能说出客户的报价。

不一定是 CRM 的权限失效了。也可能是 Agent 之前读过资料,把其中的内容写进了摘要。原文件不能再打开,旧摘要却仍然被放进下一次对话的上下文,Agent 因此可能再次说出其中的内容。

这是企业接入长期记忆时,需要单独检查的一条路径。

随着 Agent 开始跨应用处理工作,如何在延续上下文的同时管理访问权限,也受到越来越多关注。

2026 年 10 月 8 日,Google Cloud 在 Gemini at Work 上介绍 Gemini agent,强调在多个工作应用中延续记忆、技能和控制。10 月 21 日,SentinelOne 发布 Singularity Agentic Detection and Response,以早期访问形式提供 Agent 发现、治理和运行时防护。

跨系统工作需要持续的上下文,也需要持续的权限检查。对记忆来说,问题很直接:当时允许读取的资料,后来谁还能继续用?

接入 MemOS 时,我们建议把这条检查放进日常调用。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。企业后端则依据当前业务权限决定谁能调用、能处理哪些资料。这样,客户历史可以继续用于交接,人员权限变化后,应用也能及时调整记忆的使用范围。

人换了,客户历史不该跟着丢

以销售调岗为例。假设一位销售曾用 Agent 整理某客户的报价和谈判进展,后来不再负责这个客户。

原负责人不能继续获取报价,新负责人却还需要知道之前谈到了哪里。为了撤权,把整个客户的记忆清空,会把交接资料一起删掉;只改 CRM 权限,不处理 Agent 已保存的内容,又会留下另一条读取路径。

因此,资料属于哪个客户、当前由谁负责,要分开记录。

企业可以按客户和项目管理共享业务历史,再把当前有权使用这些资料的人映射到对应范围。不要因为某位员工最先输入了报价,就把团队资料当成他的个人偏好;也不要为了方便协作,把它放进所有人都能搜索的公共范围。

在 MemOS Cloud 中,企业可以通过项目和用户记忆组织不同范围的上下文,也可以使用知识库保存需要由多人共同使用的业务资料。客户交接时,新负责人可以在获授权的范围内继续检索相关历史。如果需要交接的内容原本保存在员工个人记忆中,企业也可以将需要共享的业务信息整理到团队可用的范围,再由后端根据权限提供给新负责人。

对更细的范围,MemOS Cloud 支持按来源、标签和业务元信息等条件过滤记忆,再从符合条件的内容中检索与问题相关的信息。应用需要在写入时记录相应的业务字段,并由后端根据可信身份确定检索范围。项目 API Key 也应由后端保管,不接受前端随意指定客户或用户范围。

这里需要两项判断:先确定这名员工能访问哪些资料,再从允许的范围里找与问题相关的记忆。检索过滤负责执行范围,业务授权负责确定范围。

撤权以后,旧对话也要再查一遍

新开一个会话,发现访问被拒绝,还不能说明检查已经结束。

原负责人可能继续使用昨天的对话。报价已经出现在会话摘要、模型上下文或回答缓存里,本次请求甚至不用重新检索,就能再次说出来。

在企业应用中,我们建议把权限检查放到每次构建上下文之前。即使内容来自缓存,也要符合当前的访问规则。权限变更后,让相关缓存失效;已经加载的旧片段,不应继续随对话自动传给模型。

如果一份摘要混入了多个项目的资料,又无法可靠区分各句的来源,应停止复用,并用当前允许访问的材料重新生成。权限检查应发生在内容进入模型之前。

后台任务也要处理。撤权前排队的客户分析任务,执行和返回结果时都应重新检查权限,不能只凭入队时的一次授权继续工作。

读取、修改和删除还应分别授权。一个员工可以查看报价,不代表他可以通过一句“改成这个价格”,影响其他人之后读取的记忆。向 MemOS 提交编辑或自然语言反馈之前,后端要先确认操作权。

企业应用需要把这些检查接入上下文构建和记忆操作流程。撤权无法收回用户已经看过或自行保存的内容,要阻止的是系统在后续交互中继续提供这些资料。

查错时,要知道哪条记忆进了回答

“记忆检索成功”只能证明接口返回过,解释不了为什么 Agent 报出了一个旧价格。

排查时需要沿着请求往回看:调用者是谁,当时获准访问什么,检索返回了哪些记忆,哪些实际进入了模型,以及进入模型的是哪个版本。

应用可能对检索结果做过筛选或摘要,所以返回列表和最终上下文应当分别留记录。可以用一次业务请求的标识,把授权结果、记忆 ID、来源或版本引用,以及后续工具调用串起来。必要的正文证据放在受控存储中,不要把客户资料复制进每一条运行日志。

有权负责人纠正报价后,也可以沿这条记录检查更新结果。MemOS Cloud 支持直接编辑指定记忆,也支持通过自然语言反馈提交修正,让系统结合上下文处理相关记忆。应用确认处理完成后,可以在新会话中查询当前报价,核对返回内容。

对会随时间变化的信息,MemOS Cloud 的时间感知还可以帮助检索区分当前信息和历史信息。例如,新负责人查看当前报价时需要最新状态;回顾谈判过程时,则可能需要了解之前的报价。

“建议降到某个价格”和“新报价已经批准”也要分开。保存下来的话即使一字不差,用错它的状态,依然会影响下一步行动。

删除一条记忆,别让旧材料再生成一条

撤权改变谁能使用资料。删除处理的是哪些记录不再保留。两件事不能共用一个含糊的“清理”按钮。

MemOS Cloud 支持按记忆 ID 删除指定内容,也支持清理某个用户在当前项目中的记忆。后台应根据请求选择范围:只需删除某条报价时,可以定位并删除相关记忆;清理用户在项目中的全部记忆则是另一项操作。

除记忆记录外,还需要检查这次删除范围涉及的原始对话、摘要、缓存和备份等材料,避免旧内容在后续处理时重新进入记忆。

更容易漏掉的,是应用保留的其他副本。

例如,一条记忆删掉了,原始对话还在。夜间任务重新处理这段对话,又把相同信息抽取了一遍。或者在线记录已经清除,恢复备份后,旧版本重新进入检索。

我们建议为删除保留一份处理记录:目标是什么,哪些副本属于这次范围,哪些任务需要取消或排除,哪些环节仍待完成。删除通过授权后,先阻止目标内容继续用于新回答,再执行相应清理。必须保留的业务档案,应限制用途,不能自动回流到记忆抽取流程。

备份按既定规则保留时,也应限制访问。恢复服务前,重新执行仍然有效的删除和权限规则,避免旧数据重新对外可用。

核验要检查目标记录和相关读取路径。问一次没有搜到,只能说明这次没返回,不能证明内容已经删除。

上线前,保留原会话,撤一次权限

针对开头的报价场景,可以用一组测试资料完成下面的检查:

操作应当看到什么
有权员工写入、查询客户报价读取范围正确,能追溯到相关记忆和来源
撤销这名员工的权限,继续从原会话追问新检索、旧摘要和缓存不会让系统在后续回答中继续提供该客户报价
换成获授权的新负责人查询仍能使用应保留的客户历史,交接没有因撤权而中断
按约定范围删除资料,并处理后台任务目标内容停止用于回答,不被排队任务重新写回
在隔离环境恢复旧备份服务开放前,适用的删除和授权规则已重新执行

采用私有化部署时,再检查一次实际数据去向。记忆抽取、向量化、重排和回答模型都可能有独立端点,日志和备份也可能位于别处。数据库在内网,不代表所有处理都发生在内网。

MemOS Cloud 与开源自托管提供不同的接入和部署方式,企业可以结合实际环境,分别检查数据处理链路和记忆操作。

接入可以从一位客户、一次人员交接开始。先检查原负责人失去访问权后,旧对话是否还会提供资料;再确认新负责人能否接着使用需要保留的客户历史。让 MemOS 的记忆操作进入企业已有的管理流程,客户摘要也就能随着人员和业务变化持续维护。

企业希望 Agent 记住之前做过的工作,也需要让记忆的使用范围跟上人员和业务的变化。

相关推荐

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 现已支持 DeepSeek Harness 长期记忆接入

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。

MemTensor的博客 295

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: 用 MemOS,让客服 Agent 记住上次聊到哪
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