# 从「帮我做」到「做完记住」，我的Agent记忆升级实录！ - 来源：Berryxia.AI (@berryxia) - 发布时间：2026-05-28 10:33 - AIHOT 分数：66 - AIHOT 链接：https://aihot.virxact.com/items/cmpoxrpjz0a3lslv4buagvudt - 原文链接：https://x.com/berryxia/status/2059825347538104400 ## 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。 ## 正文 http://x.com/i/article/2059820725276696576 # 从「帮我做」到「做完记住」，我的Agent记忆升级实录！ > 申明：本文古法手艺实战的心得撰写，并且文章比较长，如果你没有耐心看完，可以直接拉到第二章让AI帮你安装也可以。或者，转身离开！ 昨晚看罗振宇的「得到大脑」发布会，有一个点一直在我脑子里转--他说 Agent 最关键的能力，是「主动性」。系统 不是你喊它一下它动一下，而是它自己知道什么时候该做什么。 我听完一愣。因为我自己的 AI 助手 Berry 小跟班，重要的事儿需要被动进行加强记忆。 上周告诉它的偏好，对话一旦上下文爆，压缩后可能就会有丢失的风险。 刚配置好的工作流，下一个 Session 得从头说。每次对话，都像在训练一个「零基础新人」。 问题不在模型不够聪明Claude 、GPT等这些都已经很强了。问题在于：它们没有「记忆」，只有「上下文」。 上下文有窗口上限，会截断；记忆可以持久，可以进化。 最近我一直在用 Bloome，也是给大家疯狂案例Bloome。如果没有安装的强烈去安装一个。 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。 不能说不好用。 但用得越深，越觉得它跟不上我的需求了。 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： 1 记的是结论，不是过程。 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。 2没有反馈闭环，缺乏主动性。 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。 3检索靠读文件。 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。 1. 官网：https://memos.openmem.net 1. Github项目地址：https://github.com/MemTensor/MemOS 1. 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。 方式一：Hermes Agent（推荐新手入手） 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： 1. 安装 Hermes Agent 打开终端，一行命令完成安装： 2. 安装 MemOS Local Plugin（Hermes 模式） 3. 启动并打开 Memory Viewer 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： 1. 注册 ngrok，获取免费 authtoken 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 2. 在沙箱中启动 ngrok 隧道 3. 在本地浏览器打开公网地址 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！ 插件装好了，Viewer 也能访问了。 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？ 总不能全扔了吧。 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。 标准是这样的： 🔴 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？ 先说一个我自己的体会。 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。 我不需要一次次的强调记住，自我感知主动去记住。 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。 下面是系统层面的对比： ## 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： 实际配置（Berry小跟班 + BuLeng） 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 共享后的效果 1. 两个 Agent 的 Trace 合并 1. Skills 互相可见 1. World Model 共享 1. 记忆越用越丰富 ## 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。 现在就为你的 Agent 装上 MemOS 支持 Hermes Agent 和 OpenClaw / Bloome，开源免费。 ⭐ GitHub Star · 📖 查看文档 · 🌐 官网