---
title: "MemOS：Agent 记忆基础设施"
created: 2026-06-19
updated: 2026-06-19
type: article
tags: [agent-memory, memos, memtensor, memory-system, openclaw, clawforce]
sources:
  - https://mp.weixin.qq.com/s/5Wo91nzstNtCIV9chnuQmw
---

# MemOS：Agent 记忆基础设施

> 熊飞宇（记忆张量 CEO）技术分享 | DataFun | 2026

## 核心断言

> **记忆不再是锦上添花，而是 Agent 能否持续进化的核心要素。**

ChatGPT 个人记忆 + OpenClaw 连续型 Agent 推动行业共识转变：记忆从"降低 token 消耗"演进为"Agent 能否活下来"的生死问题。

## 两条路线的融合

| | 模型驱动 | 应用驱动 |
|---|---|---|
| 方式 | 基础模型架构创新 | Prompt/Agent 流模拟 |
| 代表 | Memorizing Transformers | Mem0, Zep |
| 优势 | 上限高 | 落地快 |
| 劣势 | 成本极高 | 与基模耦合弱 |

MemTensor 的策略：**模型驱动决定上限，应用驱动决定下限，从系统层面融合。**

## MemOS 五层架构

```
应用层 + 编解码层
     ↑
记忆调度层 ← 核心：三层记忆协同
     ↑
记忆治理层（权限/生命周期/水印/隐私）
     ↑
记忆存储层（MemCube + MemStore）
```

### [[layered-memory-architecture|三层记忆协同]]

| 层级 | 内容 | 载体 | 角色 |
|------|------|------|------|
| **明文记忆** | Prompt/Agent 流 | 自然语言 | 事实、对话上下文 |
| **激活记忆** | KV Cache 管理 | GPU 缓存 | 降低成本、提升命中率 |
| **参数记忆** | 行业 know-how | 后训练权重 | 增强领域认知 |

## 核心创新

### [[memory-dedup-pipeline|三级去重漏斗]]
SHA-256 精确去重 → 向量余弦相似度 → LLM Judge 矛盾检测与智能合并
→ 平均压缩比 **75%+**

### [[mem2skill|Mem2Skill]]
从对话碎片中提取 → 结构化 → 参数化技能。核心：**记忆不止于被搜到，而是内化为能力。** 如 K8s OOM 排查从 2 小时 → 10 分钟。

## 关键数据

- GitHub **8.5K Star**，社区 1.2 万+ 活跃用户
- 云服务单月调用 **2500 万+** 次，月涨幅 100-200%
- 单次请求节省 **45-72%** token
- 接入后：LLM Judge 评分↑、上下文成本 **-30%**、交互轮次 **-50%**、token 消耗 **-50%**

## [[clawforce|ClawForce 企业方案]]

五层设计 + 三重安全（事前隔离→事中脱敏→事后审计），解决企业 AI Agent 从"能用"到"敢用"的五个痛点。已在研发、电商、公文写作、销售等场景落地。

## 概念网络

- [[agent-memory-system|Agent 记忆系统]] — 为何记忆是 Agent 的生死关键
- [[layered-memory-architecture|三层记忆架构]] — 明文/激活/参数分层协同
- [[model-driven-vs-app-driven-memory|两路线融合]] — 模型驱动 + 应用驱动
- [[memory-governance|记忆治理]] — 全生命周期管理
- [[agent-memory-lifecycle|记忆生命周期]] — 抽取→组织→检索→更新→共享
- [[memcube|MemCube]] — 最小可打包记忆单元

来源：[原始存档](raw/articles/memtensor-memos-agent-memory-2026.md)