MemOS 本地记忆系统（MemOS Local Memory）是一个专为智能代理设计的长期对话记忆管理工具，旨在帮助 AI 助手可靠地检索和利用用户过去的对话内容、个人偏好及决策历史。该系统在每个对话回合开始时自动运行一次记忆搜索，将当前用户消息相关的过往记忆注入到上下文环境中，无需额外调用工具即可实现基础的记忆回顾功能。当自动召回未能提供足够信息时——例如用户提问较长或模糊不清、且返回结果为空时——系统会引导代理主动生成简短而精准的自然语言查询，并通过调用 `memory_search` 工具进行二次检索。这种机制确保了即使在复杂或多轮交互场景下，也能高效定位关键信息片段。 该系统的核心优势在于其灵活的权限隔离与共享机制：每个代理仅能访问自身创建的记忆以及被标记为“公共”的记忆条目；其他代理的私有记忆对其完全不可见。这一设计既保障了用户隐私，又支持跨团队协作。特别地，`memory_write_public` 工具允许代理将重要知识、团队约定或工作流程写入公共记忆区，供全体代理在后续任务中共同参考和使用。此外，系统还提供了对完整原始文本的获取能力（通过 `memory_get`），防止摘要信息失真，并支持围绕特定记忆展开上下文对话回溯（`memory_timeline`），极大提升了信息还原的真实性与完整性。 MemOS 不仅关注静态信息的存储，更强调动态能力的复用与扩展。它内置了一套完整的技能管理体系，包括 `skill_search` 用于发现可用经验指南、`skill_get` 获取具体执行步骤、`skill_install` 永久加载至工作空间，以及 `skill_publish`/`unpublish` 控制技能的公开范围。结合 `task_summary` 可查看任务全貌（如 URL、文件路径、错误码等细节），使得代理能够基于历史成功经验快速复现复杂操作流程。对于终端用户而言，若想了解如何浏览或管理自己的记忆库，只需触发 `memory_viewer()` 即可获得专属的记忆查看器链接，实现可视化交互。整体来看，MemOS 构建了一个闭环式的认知增强框架，使 AI 代理具备持续学习、协同进化与精准响应的能力。
核心功能特点
- 自动记忆召回机制：每轮对话开始时系统自动检索并注入相关过往记忆，无需手动干预即可实现基础记忆回顾
- 精准二次检索支持：当自动召回不足时，代理可自主生成简短聚焦查询，调用 memory_search 获取更深层历史信息
- 严格的权限隔离体系：每个代理仅可见自身记忆及标记为 public 的公共记忆，保障数据隐私与安全边界
- 完整原始文本获取：通过 memory_get 工具可读取搜索结果对应的完整对话原文，避免摘要失真问题
- 技能生命周期管理：支持 skill_search 发现、skill_get 获取、skill_install 安装、skill_publish/unpublish 发布/撤回等全流程技能操作
- 任务上下文深度解析：利用 task_summary 可获取带详细元数据的完整任务描述，保留 URL、命令、错误码等关键执行要素
适用场景
MemOS 本地记忆系统在需要长期追踪用户行为模式和个人偏好的场景中表现尤为突出。例如，在一个多轮次的产品咨询过程中，用户可能在不同时间点提及对某类功能的兴趣变化、曾尝试过的解决方案及其效果反馈。此时，MemOS 不仅能自动关联这些分散的信息节点，还能通过代理主动发起补充查询，确保推荐策略始终贴合用户的真实需求演变轨迹。尤其在个性化服务领域，如健康管理助手记录用户饮食习惯调整、运动计划变更等细节，MemOS 提供的细粒度记忆回溯能力使得后续建议更具连贯性和针对性。 在企业级协作环境中，MemOS 的公共记忆与技能共享机制显著提升了团队效率。假设多个 AI 代理分别负责客户服务、技术支持和产品规划，它们可通过 memory_write_public 将客户常见问题处理流程、内部接口规范或最新产品发布策略统一归档至公共区。这样，无论哪个代理接收到类似请求，都能立即调取标准化操作指南，减少重复沟通成本，同时保证服务质量的一致性。更进一步地，当某个代理掌握了高效的故障排查技巧后，可通过 skill_publish 将其转化为可复用的公共技能，供整个组织成员学习借鉴，形成正向的知识积累循环。 对于复杂任务执行场景，MemOS 同样展现出强大支撑力。比如开发者在调试一段遗留代码时，可能需反复查阅之前提交的版本说明、遇到的异常日志及最终修复方案。借助 memory_search 配合 role=’user’ 过滤条件，可快速锁定用户最初提出的问题陈述；再通过 task_summary 获取包含 Git commit hash、测试用例失败截图在内的完整上下文；最后结合 skill_get 调出此前成功解决同类问题的分步教程，大幅缩短排错周期。而在自动化运维领域，运维机器人可利用 memory_timeline 还原某次服务器宕机事件前后的告警序列与应急响应动作，辅助制定更完善的灾备预案。总之，无论是个人知识管理还是组织智能协同，MemOS 都已成为提升认知效率不可或缺的基础设施。