给 WorkBuddy 装上"记忆操作系统" 它开始自己写 Skill、自己进化了

一个由中国电信研究院参与共创的开源项目 MemOS，正在把 AI Agent 从"金鱼记忆"变成"越用越懂你"的数字员工。

你有没有这种体验——每天用 WorkBuddy 干活，项目背景、文件放哪、资料怎么整理、输出什么格式，交代了一遍又一遍。换一个新会话，它像失忆一样又要从头熟悉；上次踩过的坑、被你纠正过的错误，下一次大概率再踩一次。

不是 WorkBuddy 笨，是它根本没有"记忆系统"。

今天这篇，我想认真聊一个开源项目：MemOS。它最近在 AI 圈刷屏，不是又出了更大的模型，而是做了一件更底层的事——给 Agent 装一个会自我进化的记忆操作系统。结论先放这：

如果 MemOS 接进 WorkBuddy，它就能从"每次从零开始"，变成"越用越懂你、还会自己写 Skill"。

01为什么你的 WorkBuddy 每次都像"失忆"？

先看现状。现在各家 Agent 都有"记忆"，但理解和做法完全不一样：

问题很明显：记忆是"碎片化的功能"，不是"系统级的资源"。经验没法沉淀、个性化失败、知识孤岛——你在 A 工具攒的经验，换个工具就清零。

有人会说上 RAG 不就行了？RAG 只是把外部知识"临时塞进上下文"，它是无状态的——没有生命周期、没有版本控制、没有随时间演化。本质上是个补丁，不是操作系统。

02MemOS 是什么：把"记忆"变成操作系统的一等公民

MemOS 来自论文 《MemOS: A Memory OS for AI System》（arXiv 2507.03724），由 MemTensor（上海） 联合上海交通大学、浙江大学、中国人民大学、北京航空航天、同济、北大、中科大，以及中国电信研究院共同完成。

冷知识：这篇让 Agent 自我进化的论文，作者单位里就有中国电信研究院。也就是说，我们中电信的体系，本身就参与了这件事。

核心思想一句话：把"记忆"从零散功能，提升为像 CPU、内存一样可被调度、可被演进的"系统资源"。

1. 三种记忆，统一封装成 MemCube

• 明文记忆：可编辑、可追溯的外部知识（文本、图谱、Prompt 模板）；
• 激活记忆：推理中间状态（KV-cache），短期、动态、高效；
• 参数记忆：模型权重里的知识，可用 LoRA 轻量增强。

每个记忆块被装进一个 MemCube——带元数据（来源、版本、生命周期、优先级、权限）的最小调度单元。高频明文记忆可以"升级"成激活记忆甚至参数记忆，就像人把常用知识从"翻书"变成"肌肉记忆"。

2. 三层架构：接口层（MemReader 语义解析、统一 Memory API）→ 操作层（MemOperator 调度、MemScheduler 跨类型迁移、MemLifecycle 状态机）→ 基础设施层（MemVault 存储、MemGovernance 权限合规、MemLoader/Dumper 跨平台迁移）。

3. 可验证的硬指标

更狠的是，MemOS 开源了 OmniMemEval 评测框架，把 14 款主流 Memory 产品拉到同一条流水线、同一个裁判下跑分——"让所有人穿同样的鞋、跑同样的赛道"。

03最炸的其实是"自我进化闭环"

光有记忆还不够。MemOS 真正让人眼前一亮的，是它把"记忆即资产"落成了自动生产线：

四步拆解：① 记忆写入（异步入队、智能去重 DUP/UP/NEW）→ ② 任务总结（边界检测、结构化摘要）→ ③ 技能进化（评估→生成/升级→安装）→ ④ 智能检索（记忆/任务/技能三层递进，Hybrid RRF / MMR / 时间衰减）。

而 Skill 是怎么"长"出来的？三步：智能切片（识别任务边界切文本块）→ 聚类提取（结合历史记忆提炼结构化技能）→ 技能转化（变成可运行、可识别的 Skill 文件）。

整个过程你不用准备任何文件。把和 Agent 的对话原文喂进去，MemOS 自动从真实交互里提炼出"遇到这类任务该怎么做"。而且它支持技能的自动升级——新经验触发 refine / extend / fix，让技能越用越准。

更妙的是：这套进化能力不绑定任何 Agent 框架。MemOS 已给 OpenClaw、Hermes 做了本地插件，甚至给 .claude、.codex 写了薄适配器。今天你在 A 工具攒下的技能和经验，明天换 B 工具不用从头学——记忆资产可以跨 Agent 携带。

04更深一层：WorkBuddy 现在"记性"到底差在哪？

我们捋一下 WorkBuddy 现在的家底：有 Skills 体系（SKILL.md 可复用能力包）、有 Memory 文件（MEMORY.md、~/.workbuddy/memory/，人工维护）、有 Agent Loop、任务管理、MCP。

但坦白讲，WorkBuddy 的记忆是"人肉维护型"——我每次提醒它"做完写进 memory"，Skill 也主要靠人写或由模型在对话里临时生成，没有把任务历史自动蒸馏成可复用、可升级的技能。对照一下：

对应关系一目了然：WorkBuddy 的 MEMORY.md → MemOS 的明文记忆（且多了生命周期/版本/权限）；WorkBuddy 的 Skill 库 → MemOS 的技能库（从"人写"升级为"自动生成 + 自动升级"）；WorkBuddy 的 Agent Loop → MemOS 的执行即学习闭环。接上之后，WorkBuddy 会出现质变：它不再只是"执行你给的指令"，而是开始积累"自己怎么做这类事最好"的方法论。

对我们正在做的文旅 AI 数字员工尤其有意义——同一个景区、同一批游客，数字员工长期服务，MemOS 让它把景区知识、游客偏好、应急处理经验一点点沉淀、结晶、进化，最后真成一个"老员工"，而不是每次重启都变新人。

05落地技术草图（写给工程师）

MemOS 提供 OpenMem v1 SDK，两个核心接口就够跑通闭环：

三种落地姿势：A. 云端 SDK（最省事，两个接口）；B. 本地插件（最可控，参考 Local Plugin 2.0 写薄适配层，敏感数据全程本地）；C. 只读增强（先当"长期记忆检索层"，人工确认后再固化 Skill，稳妥易回滚）。

实操提醒（实测踩坑）：MemOS 支持分级模型配置（轻量/中等/高质量分层），务必配合"成本断路器"防余额不足时的付费请求风暴——跑自进化很烧钱，不配会出事。

06边界与风险：说点实话

作为深度研究，必须泼盆冷水——MemOS 不是银弹：

!

自生成技能可能出错：Skill 由 LLM 蒸馏而来，质量参差，早期需要人在环审核，别无条件信任自动安装的 Skill。

!

本地插件目前面向 OpenClaw / Hermes：WorkBuddy 需要自己写薄适配层，不是开箱即用。

!

成本：自进化要反复跑 LLM 做切片/聚类/评估，没分级模型+断路器会很贵。

!

隐私与合规：记忆里会沉淀用户偏好与项目细节，必须本地化 / 权限分级（MemGovernance 已提供）。

!

长期维护：技能库会膨胀，需要生命周期治理（合并/归档），否则检索噪声上升。

07一个判断：记忆 + 进化，是 Agent 成为"数字员工"的分水岭

过去两年我们拼命堆模型能力、堆工具数量。但一个 Agent 能不能从"好用的工具"变成"可信赖的同事 / 数字员工"，分水岭不在它会不会做，而在它能不能记住、能不能从经验里长大。

MemOS 的价值，不是又一个记忆库，而是第一次把"记忆、学习、沉淀、进化"做成了可调度、可治理、可迁移的系统能力——而且开源、可本地化、还能自己结晶出技能。更值得玩味的是，这件事背后站着中国电信研究院。

作为体系内做文旅 AI、政企数字员工的我们，与其等别人把"会进化的 Agent"做成黑盒产品卖给我们，不如现在就把 MemOS 这类开源记忆操作系统，接进我们自己的 WorkBuddy。让 WorkBuddy 从"每次从零开始"，变成"越用越懂你"——这，才是真正的数字员工。