跨会话不再「失忆」：openJiuwen社区开源 AutoGenetic Memory-安智兰德资讯网

当前位置：首页 > 热点 > 跨会话不再「失忆」：openJiuwen社区开源 AutoGenetic Memory

跨会话不再「失忆」：openJiuwen社区开源 AutoGenetic Memory

发布时间：2026-07-17 12:12:52 来源：安智兰德资讯网作者：休闲

机器之心发布

随着大模型应用深入核心业务场景，再失决定 Agent 体验上限的忆o源关键指标，已从单纯的区开“回答准确性”转向“跨会话的用户持续性记忆”。

近日，再失华为 openJiuwen 社区正式开源了专为智能体设计的忆o源 AutoGenetic Memory（自主生长记忆引擎）。该引擎旨在重构 AI 记忆机制，区开使记忆从被动的再失“数据存储”进化为动态的“自主生长”。

其核心设计理念是忆o源将每一条记忆视为一段「基因片段」，通过以下四大支柱实现记忆能力的区开跃升：

AutoDreaming 与 GraphMemory：提升基因片段的精准度与结构化程度。
分层记忆体系与 MemoryTurbo：优化基因构建效率，再失降低计算开销。忆o源
Swarm 群体记忆：实现记忆基因在组织层面的区开沉淀、共享与遗传。再失

据 LoCoMo 公开基准测评显示，忆o源JiuwenMemory 作为插件接入 OpenClaw 后，区开相较于原生记忆机制，准确率提升 15%，同时在记忆问答与添加环节的 Token 消耗降低超 60%。通过精炼记忆内容、减少模型反复确认次数，JiuwenMemory 证明了高质量与高性能并非对立，而是相辅相成。

AutoGenetic Memory 将 AI 记忆从被动存储转化为可治理、可跨平台共享、可自我演化的核心数据资产，赋予 Agent “记住用户、理解用户、服务用户”的长期价值。

为什么 "记住用户" 如此艰难？

设想一个典型场景：用户委托 Agent 发送项目结项邮件，对话中提及收件人邮箱、用户身份及对方“偏好数据图表”等细节。若未显式指令，多数 Agent 在跨会话后无法保留这些信息，导致用户需重复陈述背景，造成体验断裂。

传统对话系统受限于上下文窗口（Context Window），一旦超出 Token 限制或重启会话，信息即丢失。这种“失忆”现象归纳为四大痛点：
1. 用户被迫重复提供背景信息。
2. 个性化服务能力缺失。
3. 跨会话决策前后矛盾。
4. 经验无法积累，始终处于“零点”状态。

OpenClaw 等现有平台采用扁平化时间轴记忆，由 Agent 自主决定存储内容，缺乏分类约束。这种灵活性导致偏好与技术细节混杂，用户画像易被淹没在流水账中，难以高效提取。

AutoGenetic Memory 关键设计解析

1. 分层记忆体系：信息逐级升华，各归其位

JiuwenMemory 摒弃了扁平的时间轴记录，设计了 L0–L3 四层记忆架构，实现从原始对话到结构化知识的抽象转化：

L0 原始信息层：完整保留对话历史与时间戳元数据，作为提取源头，支持全量回溯与分析。
L1 摘要记忆层：由 LLM 压缩单次会话关键结论，降低 Token 消耗，避免上下文溢出。
L2 结构化记忆层：
情景记忆：按时间轴记录具体事件与决策，具备可追溯性。
语义记忆：沉淀背景知识与技术细节，避免被日常闲聊覆盖。
L3 用户画像层：刻画核心特征，包括用户偏好、习惯、角色定位及结构化变量（姓名、时区、语言偏好等），处于最易访问的顶层。

分层价值：
* 信息密度放大：偏好与技术细节互不干扰。
* 成本优化：通过精准压缩避免全量历史加载，显著降低端到端 Token 成本。
* 持久化保障：各层独立存储，确保记忆跨会话持久保留。

这种分层机制将杂乱对话整理为“记忆基因”，实现按需调取、无需全量加载，大幅提升构建效率。

2. AutoDreaming：将高成本记忆加工移至后台

借鉴认知神经科学中的“记忆固化”原理，JiuwenMemory 将高成本的记忆提取与加工从在线对话路径剥离，转为后台定时离线异步完成。

工作流程模拟睡眠周期：
* 浅睡：进行增量筛选。
* REM 阶段：由 LLM 单遍完成提取与归类。
* 深睡：执行语义去重、冲突消解，写入长期记忆。

该过程无需人工标注，全程可溯源至原始会话。为确保规模化运行，团队引入了多重控本策略：
* 后台守护进程定时触发。
* 系统繁忙时自动“忙碌退避”顺延。
* 断点续扫仅处理新增会话。
* 结合压缩截断与批次封顶，使 Token 开销线性可控。

AutoDreaming 不仅记录，更擅长总结归纳，将分散线索沉淀为稳定的广义画像，推动记忆从“存下来”向“自主生长”演进。去重与冲突消解机制如同基因的“复制校对”，配合 GraphMemory 的关系化组织，确保记忆基因更准、更可信。

3. MemoryTurbo：最小化用户感知时延

MemoryTurbo 借鉴汽车涡轮增压概念，实现前台对话与后台记忆处理的动能解耦：

前台：原始对话瞬间写入缓存层向量库，完成即时更新。
后台：记忆提取按算力负载异步调度，形成“飞轮效应”，随交互轮次增加，提取效率不断提升。

核心技术：
* 离心式语义聚类：由小模型先按话题合并对话，再统一提取，保证连贯性，避免语义漂移，大幅摊销大模型调用次数。

实测效果：
* 用户感知时延降低 80%。
* Token 使用量进一步降低 50%以上。
* 即使提取未完成，缓存层仍可提供检索服务，精度不受影响。

4. Graph Memory：从片段记忆到关系网络

长期交互中，Agent 需理解“人、事、物”间的关联。Graph Memory 将对话、文档转化为可持续演进的记忆知识图谱，解决纯语义检索的局限性。

四大核心价值：
1. 关系深化：从“用户说过什么”进化为“人、事、偏好间的关联图谱”。
2. 上下文召回：通过实体与关系链路召回完整上下文，解决局部信息遗漏，提升复杂问题回答能力。
3. 动态演进：Episode 保留溯源，Entity 和 Relation 沉淀结构化结果，新对话持续合并更新图谱。
4. 组织级复用：跨会话、跨文档信息组织为关系网络，支撑个性化服务与知识复用。

5. Dynamic Adapter 层：不绑定的设计哲学

为消除 Agent 生态中的框架锁定痛点，JiuwenMemory 设计了 双维度解耦的 Adapter 层：

Plugin 维度：面向 Agent 平台（如 OpenClaw）。
Provider 维度：面向记忆引擎（如 JiuwenMemory, Mem0）。

核心优势：
* 跨平台共享：记忆不属于单一框架，用户可在 OpenClaw 积累的记忆无缝迁移至其他平台。
* 开放扩展：通过定义抽象接口契约，未来只需实现对应接口即可扩展新的 Provider 或 Plugin，推动记忆生态从封闭走向开放。

6. Swarm Memory：从个体到群体的记忆沉淀

AutoGenetic 引擎构建了基于 Swarm 的群体记忆范式：

个体积累：单个 Agent 在服务用户时独立积累个体记忆。
组织共享：将高价值经验、知识与关系网络沉淀至组织级记忆池。
全员受益：新加入的 Agent 可直接继承组织沉淀的领域知识、客户画像与解决路径，实现“一人经验，全员受益”。

记忆由此从个体资产升级为组织级数据资产。

实战场景：记忆能力赋能真实业务

快速开始：三步接入 JiuwenMemory

步骤 1：安装环境
JiuwenMemory 兼容 Windows、Linux、macOS，要求 Python ≥ 3.11 且 < 3.14（推荐 3.11.4）。

pip install -U JiuwenMemory

按需安装存储后端：

pip install JiuwenMemory[sqlite]pip install JiuwenMemory[postgres]pip install JiuwenMemory[mysql]pip install JiuwenMemory[gaussdb]pip install JiuwenMemory[redis]pip install JiuwenMemory[chromadb]pip install JiuwenMemory[all]

步骤 2：初始化 Provider
配置存储后端和 Embedding 模型，并将其注册到 Agent 系统。

步骤 3：自动使用
Agent 自动启用记忆能力：对话前预检索记忆，对话后生成记忆，用户查询时可主动检索，无需修改 Agent 核心逻辑。

JiuwenMemory 实测演示

场景 1：邮件发送记忆场景
搭载 JiuwenSwarm 与 JiuwenMemory 后，Agent 在无显式指令下，主动提取联系人信息、用户身份、收件人偏好及项目数据，并按类型分层写入。跨会话后，Agent 正确调用收件人邮箱，以用户身份落款，并保留符合对方偏好的表达方式，全程无需用户重复信息。

场景 2：Dreaming 记忆能力实测
在自由聊天中，围绕个人困惑与兴趣展开交流。Agent 自动触发 Dreaming 记忆提取、归纳与合并能力，无需用户手动标注。

Agent 自主梳理聊天记录，甄别有效个人信息，精准提炼用户困惑、兴趣偏好及特质，对碎片化口语内容进行规整、去重与合并，形成结构化用户专属记忆。整个过程全自动完成，实现自然对话下的智能记忆沉淀。

从 "信息存储" 到 "自主生长"

Agent 记忆的竞赛焦点已从“能否记住”转向“记忆的质量与生长能力”。

被动存储：记忆膨胀、矛盾、淹没关键信息，沦为原始数据堆砌。
自主生长：记忆如基因般可复制、可共享、可进化，真正“活”起来。

AutoGenetic Memory 的名字即揭示了其答案：
* AutoDreaming 与 GraphMemory：如基因校对与关系组织，淘汰无效片段，确保记忆基因更准。
* 分层记忆体系与 MemoryTurbo：实现按需构建与高速沉淀，避免冗余，确保基因构建更高效。
* Swarm 群体记忆：实现跨 Agent 复制与重组，沉淀为组织级“记忆基因库”。

AutoGenetic Memory 致力于将 Agent 记忆从一项“功能”重构为“核心数据资产”，助力打造真正认识你、记得你、越用越懂你的智能 Agent。