Dreaming 升级之后，AI 记忆需要按年管理

2025 年 4 月，OpenAI 为 ChatGPT 引入了 Dreaming 的早期版本，让系统可以在后台参考聊天记录，持续整理用户相关信息。今年 6 月，OpenAI 又升级了 Dreaming 架构，重点处理记忆过时、信息正确性和大规模长期使用中的成本问题。

这次升级讨论的并非某一条偏好能否被保存。用户说过“下周去新加坡”，行程结束后，系统应当知道这段计划已经变成过去；用户曾经不吃辣，后来口味发生变化，旧偏好也需要被更新。长期使用下来，系统还要从大量历史信息中找出当前任务真正需要的部分。

AI 记忆开始按“年”管理，竞争重点也随之变化。系统需要持续合成、更新和调用正确的信息，并让用户与企业能够查看、修正和删除这些信息。

这同样是企业 Agent 必须面对的问题。上下文窗口、RAG 和向量数据库各自承担重要工作，却无法独立覆盖长期记忆的写入、更新、权限、审计与删除。

从保存信息到管理状态

早期的 AI 记忆很像一张备忘录。用户说“记住我不吃辣”，系统保存一条偏好；下次推荐餐厅时，再把它放进上下文。这种方式能改善体验，但使用时间拉长后，记忆会遇到更具体的问题。

用户以前不吃辣，现在改了口味，系统应怎样处理旧记录？“我下周去上海”过了一周，系统该把它归档、更新，还是继续当作未来计划？一段对话里既有稳定偏好，也有临时情绪，哪些内容值得长期保存？同一位用户在工作、家庭和不同设备上的信息，哪些可以关联，哪些需要隔离？模型根据上下文推断出的信息，又该怎样标记可信度？

用户提出修改或删除请求时，系统还需要检查相关副本、索引和派生信息。这些工作超出了“多放一些历史文本”的范围。

640 (3)_副本.png

企业采购或自建的，最终是一套能够长期运行的记忆系统。它需要回答五个连续的问题：信息怎样进入记忆，当前任务怎样找回合适的信息，新旧内容怎样更新，错误记忆怎样修正，不再需要的信息怎样删除。

Dreaming 指向的三项长期能力

OpenAI 将新版 Dreaming 的目标概括为 freshness、continuity 和 relevance，也就是时效性、连续性与相关性。

时效性处理的是记忆过期的问题。旅行会结束，任务会完成，用户偏好会改变，企业规则也会更新。长期记忆系统需要识别新旧信息之间的关系，对记忆进行更新、降权、归档或遗忘，因此需要保留时间信息、版本关系、反馈入口和生命周期策略。

连续性处理的是跨会话使用的问题。原始对话通常很长，重复内容很多，其中大量信息只在当时有效。把它们全部拼进下一轮上下文，会增加 Token 成本，也会让重要事实被噪音淹没。系统需要从原始消息中识别事实、偏好、事件、关系和任务状态，再结合当前场景调用合适的部分。

相关性则处理“此时该用什么”的问题。检索到语义相似的内容，不代表它应当进入当前推理。用户身份、业务场景、时间、权限、任务阶段和信息可信度，都会影响一条记忆是否适合被调用。长期记忆需要检索能力，也需要调度机制。

MemOS 把记忆变成独立系统能力

记忆张量 MemTensor 长期聚焦大模型长期记忆与持续学习问题，并将 MemOS 定义为面向 Agent 时代的记忆操作系统。

MemOS 已提供 Dreaming 能力，用于对已写入的对话和记忆进行后台处理。MemOS Dream Core 可在 Fine Mode 写入后生成 Dream context nodes，并在 Dream 阶段完成上下文绑定与摘要，同时记录 Dream diary。Search Memory 可按配置召回相关 context nodes。

这项能力将多轮对话中分散的事实、偏好、任务进展和上下文关系纳入持续整理流程。新信息进入系统后，可以先完成记忆写入，再由 Dreaming 在后台进行上下文整合；后续任务发起检索时，系统能够结合已经生成的上下文节点返回相关内容。

在 MemOS 中，Add Message 提供信息写入入口，Dreaming 负责后台整合，Search Memory 负责按任务召回，Add Feedback 与 Delete Memory 则支持后续纠正和清理。由此，记忆从一次对话中的原始记录，逐步进入可持续更新、检索和治理的长期状态。

模型负责理解、推理与生成，Agent 负责规划任务、调用工具和执行操作，MemOS 则负责处理跨时间的信息，把记忆的生产、组织、调度、治理和演化放进独立的系统层。

MemOS 位于 Agentic AI 与大语言模型之间，将原本分散在应用代码、数据库和对话历史里的记忆能力组织起来。它可以从对话、文档、任务和业务事件中识别长期有效的信息，按用途与形态管理不同类型的记忆，再结合用户、任务、场景、时间和权限选择当前需要的信息。同时，来源、日志、版本、权限、隐私、删除和遗忘等问题也可以进入同一套记忆治理流程。

MemOS Cloud 已提供覆盖写入、检索、反馈与删除的公开接口。

640 (4)_副本.png

以 add/message 为例，应用可以把消息交给 MemOS 处理。公开文档说明，该过程可对内容进行信息抽取、冲突检查与记忆存储；应用也可以通过 info、标签、用户标识和 Agent 标识补充业务范围与隔离信息。

这些接口让写入、检索、反馈和删除成为应用可管理的动作。企业仍需在自身架构中配置权限模型、审批规则、日志留存、数据隔离与合规策略。

为什么需要分层记忆

不同信息的保存与调用方式并不相同。MemOS 将记忆划分为明文记忆、激活记忆和参数记忆。

明文记忆适合查看、更新、修订和溯源；激活记忆可以在推理过程中高效复用；参数记忆承载经过训练或长期积累形成的稳定能力。MemOS 将三类记忆组织在同一套调度体系中，系统可以按照任务与运行条件，在不同记忆形态之间进行管理和转换。

这样的设计需要同时处理三个实际要求。信息要能被查看、修改和追溯；记忆调用不能为实时推理带来难以接受的延迟；长期积累的经验需要有机会形成稳定能力。

向量数据库和图数据库可以承担存储职责。记忆如何产生、何时调用、怎样更新以及由谁治理，仍需要由上层系统处理。

企业 Agent 的记忆规则各不相同

个人产品与企业 Agent 面对的约束不同。游戏行业、AI NPC 更关注角色设定、共同经历与关系演进；企业知识管理与办公协同更关注跨会话任务延续、项目上下文和权限边界；端侧智能硬件需要兼顾跨设备连续性和本地隐私；AI 客服需要连接不同渠道的服务历史；金融和工业场景则更关注权限、来源、审计、私有化与数据删除。

MemOS 面向云服务、私有化、端侧和端云协同等使用形态。具体可用能力、功能边界和交付条件，应以项目版本与官方资料为准。

不同业务也不需要采用同一套记忆策略。统一的基础设施可以提供治理边界，让应用按自身数据、任务和合规要求选择生产、调度与存储方式。

评价长期记忆，不能只看召回率

传统检索系统常用召回率衡量效果。长期记忆进入产品后，还需要同时观察连续性、时效性、相关性、可控性与运行效率。

连续性关注跨会话后能否延续真正有价值的历史；时效性关注过期计划和变化后的偏好能否及时更新；相关性关注系统是否只在合适的任务中调用合适的记忆；可控性关注用户和企业能否查看、修正、删除并约束记忆；运行效率则要考察使用时间和用户规模增长后，记忆加工与调用能否控制延迟、Token 和存储成本。

一次成功记起用户生日的演示，无法覆盖数月后的状态变化、多用户隔离和大规模并发。长期智能依赖的是一套可以持续处理这些问题的机制。

常见问题

AI 为什么会忘记用户偏好和历史对话？

多数模型不会天然保留跨会话状态。当前会话结束后，历史信息需要由外部系统保存并在后续任务中提供。即使保存了完整聊天记录，系统仍要处理有效信息抽取、过期更新、冲突识别和按场景调用。

AI 记忆、上下文窗口、RAG 和向量数据库有什么区别？

上下文窗口承载单次推理输入，RAG 从外部知识源检索材料，向量数据库提供存储与相似度检索。长期记忆系统管理跨时间的信息状态，覆盖写入、更新、反馈、权限、审计、删除和遗忘。

生产级 Agent Memory Architecture 应包含哪些模块？

常见模块包括记忆写入与抽取、身份和作用域隔离、检索与重排、冲突和时效处理、反馈与更新、删除与遗忘、权限与审计，以及延迟、成本和质量评估。实际架构还需与模型、Agent 编排、业务数据和合规系统连接。

MemOS 是什么？

MemOS 是 MemTensor 推进的记忆操作系统，目标是将模型上下文、应用代码和数据库中的记忆能力组织为独立基础设施。公开文档已提供消息写入、记忆检索、反馈、删除和记忆模块编排等入口。

结语

当 AI 开始长期参与个人生活与企业流程，记忆会直接影响任务质量、用户体验和生产可信度。

系统需要知道哪些信息值得保存，哪些内容已经过时，当前任务应当调用什么，以及错误记忆如何被修正或删除。

MemTensor 从 Memory³ 相关记忆机制研究出发，通过 MemOS 推进记忆系统工程化，并继续探索 Agent 和记忆基础设施、记忆原生通用基座模型等方向。目标是让 AI 在更长的时间里保持连续、准确并且可管理的理解。