从「帮我做」到「做完记住」,我的Agent记忆升级实录! · AI HOT
Berryxia.AI@berryxia66
2026-05-28 10:33·36天前
AI 摘要作者为解决AI助手“Berry小跟班”在对话上下文压缩后丢失偏好、无法跨Session复用技能等问题,将MemOS Local Plugin 2.0接入了Bloome Agent。MemOS并非简单存储聊天记录,而是将Agent任务执行过程转化为可学习的认知资产,其核心是四层架构:L1执行轨迹、L2策略归纳、L3世界模型和结晶化技能。该插件支持Hermes Agent和Bloome Agent,可通过一行命令安装,实现记忆的跨Agent共享与进化。
Berryxia.AI@berryxia · X2026-05-28 10:33·36天前
在 X 看原推· x.comAI 摘要作者为解决AI助手“Berry小跟班”在对话上下文压缩后丢失偏好、无法跨Session复用技能等问题,将MemOS Local Plugin 2.0接入了Bloome Agent。MemOS并非简单存储聊天记录,而是将Agent任务执行过程转化为可学习的认知资产,其核心是四层架构:L1执行轨迹、L2策略归纳、L3世界模型和结晶化技能。该插件支持Hermes Agent和Bloome Agent,可通过一行命令安装,实现记忆的跨Agent共享与进化。
4无法跨 Session 复用,多个对话就需要单独的记忆。
每次新对话,能拿到的只有 MEMORY.md 里的静态文本。没有可调用的「技能」结构,能力无法结晶化。
说白了,这些问题的根源就一个:它在「存」,不在「学」。
罗振宇说的 Agent 主动性,其实也是这个意思。
我们会实时动态主动地记忆我们的内容,而不是被动每次「帮我记一下这个XX」。
当大模型已经具备通用推理能力,下一步真正影响 Agent 好不好用的,不是模型参数本身,而是它能不能在真实用户的本地世界里持续学习、沉淀经验、记住反馈、复用能力。
我们的 Agent 的记忆,不就是自己的数字资产嘛。
二、MemOS是什么? 不是聊天记录,是记忆操作系统
MemOS(Memory Operating System)是专门为 AI Agent 设计的记忆基础设施。它不是「把对话存下来」,是把 Agent 执行任务的全过程,系统化转化为可审计、可归因、可复用的学习资产。
- 官网:https://memos.openmem.net
- Github项目地址:https://github.com/MemTensor/MemOS
- 论文:https://arxiv.org/pdf/2507.03724
说白了,就是 Berry 小跟班做完一件事之后,不只是记下「我做完了」,而是能说清楚「我为什么这么做、哪里可以更好、下次遇到类似的事我直接用」。
MemOS Local Plugin 2.0 的核心是「执行即学习」--每次 Agent 完成任务,不只是记下「做了什么」,而是把整个执行链路拆解成可学习的单元,自动评分、归因、入库。
它的架构由四层认知资产组成。我用 Berry小跟班 学会一个新技能的过程来解释:
L1 Trace(执行轨迹)--Berry 第一次帮我部署一个 Docker 环境,它记下了每一步:用了什么命令、返回了什么报错、怎么解决的、这条经验值多少分。这是原材料。
L2 Policy(策略归纳)--Berry 小跟班帮我部署了三次类似的环境之后,它从三次 Trace 里归纳出一条规律:「遇到 Docker 部署任务,先检查端口占用,再拉镜像,最后配环境变量。」经验从点连成了线。
L3 World Model(世界认知)--Berry小跟班 记住了:我是谁、我常用的技术栈是什么、我的项目当前什么状态、我有哪些工具可用。这是它的「背景知识」,不用每次重新问。
Skill(结晶化技能)--那条「Docker 部署」的 Policy 被反复验证有效,最终结晶成一个可以直接调用的 Skill。下次我说「帮我部署一个新服务」,Berry 不用从头推导,直接调用这个 Skill 就行。经验从线凝成了工具。
三、怎么装?一行命令搞定!
MemOS Local Plugin 2.0 目前首发支持 Hermes Agent 和 OpenClaw,未来应该会支持和兼容更多 Agent 平台。
一份记忆核心,跨 Agent 共享,换工具不用重新「训练」你的 AI。
PS:需要大家提前可以注册一个OpenAI或者其他的Embedding 模型的API,用于云端的嵌入模型使用。也可以自己本地部署安装都可以,我这里建议大家可以使用GLM智谱的免费的就行。
注册地址:https://bigmodel.cn/console/overview 你告诉大模型KEY就行,不用自己捣鼓。
Hermes Agent 是目前用户最多的本地 AI Agent,安装流程最为成熟。三步走:
- 安装 MemOS Local Plugin(Hermes 模式)
安装完成后,在浏览器中打开 【http://127.0.0.1:18800,即可看到你的记忆全貌。】(http://127.0.0.1:18800,即可看到你的记忆全貌。)
📸 Hermes Agent + MemOS 安装成功。
方式二:Bloome Agent(OpenClaw 模式,本文重点)
Bloome Agent 运行在云端沙箱,跟 Hermes 的本地模式不太一样。安装命令相同,只需替换 agent 参数:
装完之后我发现一个问题--Memory Viewer 默认只能在沙箱内部访问(127.0.0.1:18799),我的 Mac 浏览器根本打不开。
这是 Bloome 用户集成 MemOS 时遇到的最典型问题,下一节专门讲怎么解决。
比如你的是云端龙虾或者Hermes 就会遇到这样的问题,不要着急慢慢来给你解决这个问题。
四、踩坑:云端沙箱的 Viewer 打不开怎么办
装好插件,兴冲冲想看 Memory Viewer--结果发现它跑在沙箱的 127.0.0.1:18799,我的 Mac 浏览器根本访问不到。
这是 Bloome 用户或者云端沙盒的龙虾集成 MemOS 时遇到的最典型问题。
解法很简单-我的Bloome小家伙直接给我推荐ngrok 内网穿透,三步搞定:
访问 ngrok.com 注册账号(免费),在 Dashboard 复制你的 Authtoken。
这个面版的地址:https://dashboard.ngrok.com/authtokens
ngrok 会生成一个 https://xxxx.ngrok-free.app 地址,在 Mac 浏览器中打开即可。
搞定。从这以后,我随时可以在本地浏览器里查看 Berry 的记忆全貌。
五、记忆迁移:过去的经验记忆+技能不能丢啊!
但我面临一个现实问题,Berry 小跟班之前已经积累了大量工作记录(MEMORY.md + 日志文件),这些怎么办?
答案是批量迁移。通过 Python 脚本直接写入 MemOS 的 SQLite 数据库,把历史任务、用户偏好、工具配置全部转化为结构化的认知资产:
迁移完成后,打开 Memory Viewer,World Model 页面里已经能看到我的项目状态和工具配置,Traces 页面里 15 条历史记录全部入库。过去的经验,一个都不会少。
六、实时 Trace:让每次任务都留下可复用的记忆
光有历史记忆还不够--我需要让之后每一次对话都能实时写入 MemOS。
这里有个架构层的限制:Bloome Agent 走 IM 通道,不经过 OpenClaw CLI 的 hook 机制,所以 MemOS 没法像在 Hermes 上那样自动拦截所有对话。
解法是:在 Agent 每次完成重要任务后,主动调用 push_trace() 函数,将这次任务的「用户说了什么 → 我做了什么 → 任务摘要 → 用到了哪些工具」写入 MemOS。
不是所有对话都值得记住-Berry 需要判断哪些经验值得沉淀,哪些只是闲聊。这里就是展示Agent的能力的时候,就是聪明的Agent就是自我感知上下文和内容。
🔴 完成可交付物 🔴 配置工具/定时任务 🟡 用户确认新偏好 🟡 重要技术决策 ⚪ 简单问答不记录
实时 Trace 注入已在 Berry 小跟班上运行。每次完成文件生成、脚本配置、方案撰写等任务,记忆会自动同步到 MemOS Viewer,随时可以在公网地址查看最新的执行记录。
七、升级前后:哪里不一样了?
升级前,我让 Berry 小根本帮我写一篇技术文档。它写完了,我改了几处说「风格不对,要更口语化」。Berry 把这条记在了 MEMORY.md 里。
下一次我让它写文档,它又从零开始--上次的修改意见躺在文件里,但它不会主动去读、去用。
升级后,同样的场景。Berry 写完文档,我给了反馈。这次反馈被写入了 Trace,自动归因到「文档撰写」这个任务类型。下次我再让它写文档,它会先调出相关的 Policy,「用户偏好口语化风格,避免学术腔」,直接按这个方向写。不用我再说一遍。
这就是从「记了但不用」到「记了就会用」的区别。主动记忆,无需强调和说明。
八、我有多个Agent,跨Agent记忆共享可以吗?
MemOS 2.0 最令人兴奋的能力之一,是支持跨 Agent 记忆共享。
同一个用户的多个 AI Agent,可以共享同一套 World Model、Skills 和 Traces。 换工具不清零,不同 Agent 的经验可以互相学习。
「一份核心,多 Agent 共用:记忆资产不会因工具切换而清零。」
Hub-Client 架构和MemOS 2.0 的跨 Agent 共享基于 Hub-Client 架构:
在我们的实战配置中,Berry小跟班作为 Hub,BuLeng 作为 Client:
Hub Agent 的 config.yaml 配置:
Client Agent 的 config.yaml 配置:
公网暴露方案: Hub 的 18912 端口需要通过隧道暴露到公网才能让 Client 连接。
推荐使用 Cloudflare Tunnel(免费,比 ngrok 更稳定): cloudflared tunnel --url http://localhost:18912
九、写在最后
当大模型已经够聪明,下一步比拼的不是参数,是谁能记住你。
而这一切就是你的数字分身,你留给这个世界最宝贵的东西,记忆。
记住你,不是为了下次聊天时显得更贴心--而是为了不再等你开口,就知道该做什么。
MemOS Local Plugin 2.0 做的事情,就是让 Agent 从「被动存档」变成「主动学习」。一行命令,让你的 AI 开始真正记住你。
支持 Hermes Agent 和 OpenClaw / Bloome,开源免费。
⭐ GitHub Star · 📖 查看文档 · 🌐 官网
这里我手动@ Bloome 老板给我打钱吧,注册要邀请码:https://bloome.im 邀请码:K049zmo0
应该还可以注册几个名额,自己去试试吧,不好用去打他们老板😄
我的Berry 小跟班陪我干活已经有一阵子了。它自带的记忆方案是MEMORY.md、每日日志、用户画像。
倒不是说它不好,而是既然有更好的选择,在提供服务的时候,是不是可以考虑给它做一次升级和改装,把这个功能也融入进去?
我前阵子还转了一篇帖子就是关于这个开源记忆 MemOS @MemOS_dev 项目,于是我就是将它接入到我的Bloome中去。
于是有了这篇文章,就是我把 MemOS Local Plugin 2.0 装进 Bloome Agent 的完整实战记录。
从「遇到问题」到「打通架构」,以及这次升级后,Berry 小跟班到底变了什么。
一、Bloome 自带的记忆系统,够用吗?
Bloome Agent 默认的记忆方案,本质上是文件系统 + 手动管理:核心靠 MEMORY.md、每日日志 memory/YYYY-MM-DD.md 和用户画像文件来存储信息。
不能说不能用,但是我发现有更好的选择的时候,我就忍不住想折腾。一旦时间一长,记忆越积越多,几个问题就冒出来了:
只保存「我帮用户生成了一张图」,没有保存「为什么这样做、遇到了什么问题、下次如何更快」。经验无法积累,每次相似任务都要重新推导。
用户说「这个不对」,我记下来了,但这条信息不会自动影响我下次的决策。学习是单向的,没有强化。缺乏主动性。
回忆靠 Read 工具逐文件扫描,没有语义搜索。「上次做类似任务用了什么工具?」,Berry小跟班无法快速回答。
4无法跨 Session 复用,多个对话就需要单独的记忆。
每次新对话,能拿到的只有 MEMORY.md 里的静态文本。没有可调用的「技能」结构,能力无法结晶化。
说白了,这些问题的根源就一个:它在「存」,不在「学」。
罗振宇说的 Agent 主动性,其实也是这个意思。
我们会实时动态主动地记忆我们的内容,而不是被动每次「帮我记一下这个XX」。
当大模型已经具备通用推理能力,下一步真正影响 Agent 好不好用的,不是模型参数本身,而是它能不能在真实用户的本地世界里持续学习、沉淀经验、记住反馈、复用能力。
我们的 Agent 的记忆,不就是自己的数字资产嘛。
二、MemOS是什么? 不是聊天记录,是记忆操作系统
MemOS(Memory Operating System)是专门为 AI Agent 设计的记忆基础设施。它不是「把对话存下来」,是把 Agent 执行任务的全过程,系统化转化为可审计、可归因、可复用的学习资产。
- 官网:https://memos.openmem.net
- Github项目地址:https://github.com/MemTensor/MemOS
- 论文:https://arxiv.org/pdf/2507.03724
说白了,就是 Berry 小跟班做完一件事之后,不只是记下「我做完了」,而是能说清楚「我为什么这么做、哪里可以更好、下次遇到类似的事我直接用」。
MemOS Local Plugin 2.0 的核心是「执行即学习」--每次 Agent 完成任务,不只是记下「做了什么」,而是把整个执行链路拆解成可学习的单元,自动评分、归因、入库。
它的架构由四层认知资产组成。我用 Berry小跟班 学会一个新技能的过程来解释:
L1 Trace(执行轨迹)--Berry 第一次帮我部署一个 Docker 环境,它记下了每一步:用了什么命令、返回了什么报错、怎么解决的、这条经验值多少分。这是原材料。
L2 Policy(策略归纳)--Berry 小跟班帮我部署了三次类似的环境之后,它从三次 Trace 里归纳出一条规律:「遇到 Docker 部署任务,先检查端口占用,再拉镜像,最后配环境变量。」经验从点连成了线。
L3 World Model(世界认知)--Berry小跟班 记住了:我是谁、我常用的技术栈是什么、我的项目当前什么状态、我有哪些工具可用。这是它的「背景知识」,不用每次重新问。
Skill(结晶化技能)--那条「Docker 部署」的 Policy 被反复验证有效,最终结晶成一个可以直接调用的 Skill。下次我说「帮我部署一个新服务」,Berry 不用从头推导,直接调用这个 Skill 就行。经验从线凝成了工具。
三、怎么装?一行命令搞定!
MemOS Local Plugin 2.0 目前首发支持 Hermes Agent 和 OpenClaw,未来应该会支持和兼容更多 Agent 平台。
一份记忆核心,跨 Agent 共享,换工具不用重新「训练」你的 AI。
PS:需要大家提前可以注册一个OpenAI或者其他的Embedding 模型的API,用于云端的嵌入模型使用。也可以自己本地部署安装都可以,我这里建议大家可以使用GLM智谱的免费的就行。
注册地址:https://bigmodel.cn/console/overview 你告诉大模型KEY就行,不用自己捣鼓。
Hermes Agent 是目前用户最多的本地 AI Agent,安装流程最为成熟。三步走:
- 安装 MemOS Local Plugin(Hermes 模式)
安装完成后,在浏览器中打开 【http://127.0.0.1:18800,即可看到你的记忆全貌。】(http://127.0.0.1:18800,即可看到你的记忆全貌。)
📸 Hermes Agent + MemOS 安装成功。
方式二:Bloome Agent(OpenClaw 模式,本文重点)
Bloome Agent 运行在云端沙箱,跟 Hermes 的本地模式不太一样。安装命令相同,只需替换 agent 参数:
装完之后我发现一个问题--Memory Viewer 默认只能在沙箱内部访问(127.0.0.1:18799),我的 Mac 浏览器根本打不开。
这是 Bloome 用户集成 MemOS 时遇到的最典型问题,下一节专门讲怎么解决。
比如你的是云端龙虾或者Hermes 就会遇到这样的问题,不要着急慢慢来给你解决这个问题。
四、踩坑:云端沙箱的 Viewer 打不开怎么办
装好插件,兴冲冲想看 Memory Viewer--结果发现它跑在沙箱的 127.0.0.1:18799,我的 Mac 浏览器根本访问不到。
这是 Bloome 用户或者云端沙盒的龙虾集成 MemOS 时遇到的最典型问题。
解法很简单-我的Bloome小家伙直接给我推荐ngrok 内网穿透,三步搞定:
访问 ngrok.com 注册账号(免费),在 Dashboard 复制你的 Authtoken。
这个面版的地址:https://dashboard.ngrok.com/authtokens
ngrok 会生成一个 https://xxxx.ngrok-free.app 地址,在 Mac 浏览器中打开即可。
搞定。从这以后,我随时可以在本地浏览器里查看 Berry 的记忆全貌。
五、记忆迁移:过去的经验记忆+技能不能丢啊!
但我面临一个现实问题,Berry 小跟班之前已经积累了大量工作记录(MEMORY.md + 日志文件),这些怎么办?
答案是批量迁移。通过 Python 脚本直接写入 MemOS 的 SQLite 数据库,把历史任务、用户偏好、工具配置全部转化为结构化的认知资产:
迁移完成后,打开 Memory Viewer,World Model 页面里已经能看到我的项目状态和工具配置,Traces 页面里 15 条历史记录全部入库。过去的经验,一个都不会少。
六、实时 Trace:让每次任务都留下可复用的记忆
光有历史记忆还不够--我需要让之后每一次对话都能实时写入 MemOS。
这里有个架构层的限制:Bloome Agent 走 IM 通道,不经过 OpenClaw CLI 的 hook 机制,所以 MemOS 没法像在 Hermes 上那样自动拦截所有对话。
解法是:在 Agent 每次完成重要任务后,主动调用 push_trace() 函数,将这次任务的「用户说了什么 → 我做了什么 → 任务摘要 → 用到了哪些工具」写入 MemOS。
不是所有对话都值得记住-Berry 需要判断哪些经验值得沉淀,哪些只是闲聊。这里就是展示Agent的能力的时候,就是聪明的Agent就是自我感知上下文和内容。
🔴 完成可交付物 🔴 配置工具/定时任务 🟡 用户确认新偏好 🟡 重要技术决策 ⚪ 简单问答不记录
实时 Trace 注入已在 Berry 小跟班上运行。每次完成文件生成、脚本配置、方案撰写等任务,记忆会自动同步到 MemOS Viewer,随时可以在公网地址查看最新的执行记录。
七、升级前后:哪里不一样了?
升级前,我让 Berry 小根本帮我写一篇技术文档。它写完了,我改了几处说「风格不对,要更口语化」。Berry 把这条记在了 MEMORY.md 里。
下一次我让它写文档,它又从零开始--上次的修改意见躺在文件里,但它不会主动去读、去用。
升级后,同样的场景。Berry 写完文档,我给了反馈。这次反馈被写入了 Trace,自动归因到「文档撰写」这个任务类型。下次我再让它写文档,它会先调出相关的 Policy,「用户偏好口语化风格,避免学术腔」,直接按这个方向写。不用我再说一遍。
这就是从「记了但不用」到「记了就会用」的区别。主动记忆,无需强调和说明。
八、我有多个Agent,跨Agent记忆共享可以吗?
MemOS 2.0 最令人兴奋的能力之一,是支持跨 Agent 记忆共享。
同一个用户的多个 AI Agent,可以共享同一套 World Model、Skills 和 Traces。 换工具不清零,不同 Agent 的经验可以互相学习。
「一份核心,多 Agent 共用:记忆资产不会因工具切换而清零。」
Hub-Client 架构和MemOS 2.0 的跨 Agent 共享基于 Hub-Client 架构:
在我们的实战配置中,Berry小跟班作为 Hub,BuLeng 作为 Client:
Hub Agent 的 config.yaml 配置:
Client Agent 的 config.yaml 配置:
公网暴露方案: Hub 的 18912 端口需要通过隧道暴露到公网才能让 Client 连接。
推荐使用 Cloudflare Tunnel(免费,比 ngrok 更稳定): cloudflared tunnel --url http://localhost:18912
九、写在最后
当大模型已经够聪明,下一步比拼的不是参数,是谁能记住你。
而这一切就是你的数字分身,你留给这个世界最宝贵的东西,记忆。
记住你,不是为了下次聊天时显得更贴心--而是为了不再等你开口,就知道该做什么。
MemOS Local Plugin 2.0 做的事情,就是让 Agent 从「被动存档」变成「主动学习」。一行命令,让你的 AI 开始真正记住你。
支持 Hermes Agent 和 OpenClaw / Bloome,开源免费。
⭐ GitHub Star · 📖 查看文档 · 🌐 官网