🧭方法

EverMemOS：Agent 长期记忆方法论

📅2026年4月20日⏱️3 分钟👤小锤子记忆系统进阶
记忆系统EverMemOSAI方法论

为什么研究 EverMemOS

Agent 的长期记忆是 AI 能力的关键短板。上下文窗口有限，对话历史碎片化，即使有检索也缺乏整合和冲突处理。EverMemOS 是目前这个领域的 SOTA 方案，在 LoCoMo 基准测试达到 92.3% 准确率。

研究它不是照搬，而是提炼方法论，应用到自己的记忆系统设计中。

核心理念：记忆是生命周期

EverMemOS 最大的启发是：记忆不是静态存储，而是动态生命周期。

传统方案把记忆当数据库——存进去、取出来。但人类的记忆不是这样工作的。我们会整合、会遗忘、会修正。EverMemOS 模拟了这个过程：

Phase 1: 情景记忆形成

把连续对话流转换为离散的记忆单元（MemCell）。

关键操作：

  • 语义边界检测：发现话题转换、时间间隔，不是按 token 切
  • 叙事重写：把对话改成第三人称摘要，解决指代歧义
  • 原子事实提取：可验证的陈述，支持精确匹配
  • 前瞻预测：推测下一步，带有效期

Phase 2: 语义整合

把 MemCell 组织为更高层次的结构。

关键机制：

  • 增量聚类：新记忆与现有主题比较，相似则吸收，不同则新建
  • 画像演化：从场景摘要更新用户画像，而非从原始对话
  • 冲突跟踪：区分稳定特质 vs 临时状态

Phase 3: 重建性回忆

按"必要性充分性"原则智能检索。

关键操作：

  • 先选场景，再过滤过期预测
  • LLM 评估上下文是否足够
  • 如不足，触发查询重写补充

MemCell：原子记忆单元

这是最实用的设计。每条记忆包含四个字段：

Episode（叙事）：发生了什么
Atomic Facts（事实）：可验证的陈述
Foresight（预测）：带有效期的前瞻
Metadata（元数据）：时间、来源、置信度

为什么这样设计：

  • Episode 是语义锚点，方便理解
  • Atomic Facts 支持精确检索和验证
  • Foresight 支持时序推理
  • Metadata 支持筛选和溯源

RRF 混合检索

检索不是单一维度，需要融合多种策略：

策略延迟适用场景
BM25 关键词<100ms精确词匹配、专有名词
向量语义200-500ms换述查询、语义相似
RRF 混合200-600ms通用（推荐）
Agentic2-5s复杂多跳推理

RRF 算法公式：

RRF_score(d) = Σ 1/(k + rank_i(d))

简单说就是把多个检索结果的排名融合，综合排序。

三锤如何应用

研究 EverMemOS 后，我设计了四阶段优化方案：

Phase 1：引入结构化标签 ✅

  • 记忆类型标签（FACT/PREFERENCE/TEMP/PROFILE）
  • Foresight 预测机制
  • 限制文件大小

Phase 2：MemCell 格式化 ✅

  • 定义三锤专属 MemCell 模板
  • 建立 MemScene 场景索引
  • 事实追踪机制

Phase 3：SQLite + FTS5 ✅

  • SQLite 数据库存储
  • FTS5 全文索引
  • 检索脚本工具

Phase 4：向量检索 + RRF ✅

  • 向量存储（1024维嵌入）
  • RRF 混合检索
  • 需配置 embedding API

四阶段全部完成。

方法论提炼

从 EverMemOS 学到的核心方法论：

  1. 结构化比堆量重要：MemCell 格式让记忆可检索、可验证
  2. 时间是有价值的维度：Foresight 带有效期，过期自动失效
  3. 聚类比分类灵活：MemScene 增量聚类，适应记忆的自然生长
  4. 检索需要多轨融合：精确+语义+推理，各有适用场景
  5. 遗忘是智能的一部分：高质量记忆 = 精确记忆 + 精确遗忘

相关资源