核心内容摘要
万物识别模型是否需要GPU？CPU运行可行性测试
在 v
2.
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。
本次发布汇总
优化知识库文档细节召回能力在本次版本中我们进一步提升了检索接口对文档内容细节的召回能力使基于知识库的问答结果更加完整、精准。
具体改进包括引入对文档知识内容的独立排序算法优化原文引用策略以增强回答中的细节覆盖。
在「MemOS-开源社区交流群」中运行的客服助手 「客服-小忆」正是基于 MemOS 构建的知识库问答助手。
在本次优化后「客服-小忆」能够在回答 MemOS 相关问题时覆盖更多文档细节减少遗漏。
BEFOREAFTER
「知识库问答助手」搭建教程发布本次更新同步发布了 「知识库问答助手」最佳实践文档。
教程提供了一个开箱即用的 Demo 流程完整覆盖创建知识库上传文档行示例代码构建基于 MemOS 的知识库问答助手。
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。
教你搭建属于你自己的知识库助手https://memos-docs.openmem.net/cn/usecase/knowledge_qa_assistant如果你想体验「客服-小忆」欢迎加入「MemOS-开源社区交流群」哦
优化工具记忆机制在 v
2.
2 中我们对工具记忆进行了两项关键优化增加针对调用轨迹的程序性经验用于辅助 Agent 更好地完成任务对工具 schema 信息进行压缩与去重避免重复添加 ToolSchemaMemory优化后 Token 输入压缩率大于 50%。
优化后一条完整的工具记忆示例如下{ id: 4b
a-481c-9dd6-c7f0577ff371, tool_type: ToolTrajectoryMemory, tool_value: User asked about the current weather in Beijing - Tool get_weather was called with the parameter location set to Beijing - The tool returned the weather information: temperature is 7°C and condition is Cloudy., tool_used_status: [ { used_tool: get_weather, error_type: , success_rate:
0, tool_experience: The get_weather tool requires a valid location parameter and provides current weather information for that location. #新增当前轨迹中该工具的经验。
} ], create_time: 1768390489180, conversation_id: demo-conv-id, status: activated, update_time: 1768390489181, relativity:
47883897395535013, experience: when encountering weather inquiry tasks, then ensure to call the get_weather tool with the correct location parameter. #新增整个轨迹的程序性经验作为指导任务完成的总体经验。
}
优化事实记忆合并与归档机制在原有记忆写入add与召回recall链路中存在以下问题新记忆只是对已有事实的重复表述仍会生成新节点召回阶段未强制过滤失效或应归档的记忆。
本次更新通过 “归档重复记忆”机制 对该问题进行了修复。
添加记忆阶段流程Step 1LLM 正常抽取候选 memoryStep 2对候选 memory 做相似 embedding 召回得到可疑重复集合Step 3使用 LLM 判定是否需要合并需要生成更优记忆节点并在 merged_from 中记录旧记忆不需要保持原样Step 4将被合并的旧记忆置为归档状态添加新记忆检索阶段规则仅召回 status“activated” 的记忆节点已归档archived的记忆不再参与召回。
云服务中添加消息示例#
分别多次添加消息制造相似/重复内容传入 add_payloads [ { user_id: user_id, conversation_id: 001, messages: [ {role: user, content: 我叫Tom喜欢吃胡萝卜也喜欢苹果。
}, {role: assistant, content: 好的收到} ] }, { user_id: user_id, conversation_id: 002, messages: [ {role: user, content: 我叫Tom再强调一遍我喜欢吃胡萝卜也喜欢苹果。
}, {role: assistant, content: 好的收到} ] }, { user_id: user_id, conversation_id: 003, messages: [ {role: user, content: 我是Tom我不喜欢胡萝卜了。
}, {role: assistant, content: 收到胡萝卜不喜欢。
} ] } ]开源项目中添加消息示例#
分别多次添加消息制造相似/重复内容传入 add_payloads [ { user_id: user_id, mem_cube_id: cube_id, memory_content: 我叫Tom喜欢吃胡萝卜也喜欢苹果。
, session_id: conv_001 }, { user_id: user_id, mem_cube_id: cube_id, memory_content: 我叫Tom再强调一遍我喜欢吃胡萝卜也喜欢苹果。
, session_id: conv_002 }, { user_id: user_id, mem_cube_id: cube_id, memory_content: 我是Tom我不喜欢胡萝卜了。
, session_id: conv_003 } ]期望检索结果#
搜索查看返回的记忆列表是否有合并/去重效果其中检索回的最新记忆 [conv:003] id49f2eb
c-41af-a75e-687e197e5fe2 | memory用户的名字是Tom他喜欢吃苹果不喜欢胡萝卜了。
获取记忆接口优化get/memory在 v
2.
2 中get/memory 接口能力进一步增强新增 include_tool_memory 参数用于控制是否返回工具记忆新增 filter 字段支持返回特定筛选条件下的记忆修复 include_preferenceFalse 时的调用错误。
云服务调用示例data { user_id: memos_user_123, page: 1, # 可选默认值为1 size: 10, # 可选默认值为10 include_preference: True, # 可选默认值为true include_tool_memory: True # 可选默认值为true }开源项目调用示例data { user_id: test_user_xxx, mem_cube_id: test_user_xxx, include_preference: true, include_tool_memory: true }
开源社区更新New Features官方文档更新「基于知识库开发问答助手」最佳实践。
Improvements工具记忆新增调用轨迹程序性经验Tool schema 信息压缩与去重压缩率大于 50%get_memory 接口支持返回工具记忆提升知识库文档细节召回能力。
Bug Fixes修复 get_memory 在 include_preferenceFalse 时的调用错误修复 Local Queue 启用时 Status Tracker Redis 配置失效问题修复 Redis
6.
0 以下版本 XAUTOCLAIM 兼容性问题。
✨ 老规矩 一键体验云平台立即进入 MemOS 云平台体验毫秒级记忆与偏好召回能力。
memos-dashboard.openmem.net/quickstart/?entrancewechat 如果你喜欢我们的工作请一键三连⭐️ Star Fork Watch并欢迎通过 Issue 提交你的使用反馈、优化建议或 Bug 报告。
github.com/MemTensor/MemOS/issues关于 MemOSMemOS 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。