機器之心發布

當大模型應用進入深水區，決定一個 Agent 體驗上限的，早已不只是 "答得對不對", 而是 "能不能持續記住同一個人"。

近日，華為openJiuwen 社區開源了專為智能體設計的自主生長記憶引擎 AutoGenetic Memory—— 讓記憶從 "存下來" 變成 "長出來"。

它的核心思想是：在 AutoGenetic 記憶引擎里，每一條記憶都像一段「基因片段」：

• AutoDreaming 與 GraphMemory 讓基因片段更準
• 分層記憶體系 與 MemoryTurbo 讓基因構建更高效
• Swarm 群體記憶讓記憶基因在群體間實現組織級沉淀與共享

據了解，在公開基準 LoCoMo 測評集上，JiuwenMemory 以插件形式接入 OpenClaw，相較其原生記憶，準確率在提升 15% 的同時，記憶問答與添加環節的Token 消耗大幅度降低超 60%。記憶內容更精煉，每次讀取的 Token 更少、模型反復確認的次數更少，質量與性能在這里是同一枚硬幣的兩面。

AutoGenetic Memory 把 AI 記憶從被動的信息存儲，自主生長為可治理、可跨平臺共享、可自我演化的核心數據資產。讓 Agent 真正具備 "記住用戶、理解用戶、服務用戶" 的能力。

為什么 "記住用戶" 這么難

設想一個場景：你讓 Agent 幫忙發一封項目結項郵件，對話里隨口提到收件人郵箱、自己的身份、對方 "愛看數據"—— 都是閑聊帶出來的，沒刻意叮囑它記下。過段時間你回來，讓它給同一個人發一封新項目的郵件，你自然不想把這些再說一遍?？涩F實是，多數 Agent 跨會話后都 "從零開始", 仿佛之前的對話從未發生。

傳統對話系統依賴有限的上下文窗口，一旦超出 Token 限制或跨會話重啟，信息便丟失殆盡。團隊把這種 "失憶" 歸納為四個老問題：用戶被迫重復提問、個性化能力缺失、跨會話決策前后矛盾、經驗始終停留在零點無法積累。

能回答問題，是 Agent 的基礎能力；能記住用戶，才是它的長期價值。

OpenClaw 的記憶結構相對扁平，以時間維度劃分，Agent 自主決定 "寫什么、寫哪里", 缺少明確分類約束 —— 靈活性的代價是不確定性：偏好與技術細節可能混在一處，身份畫像也容易被淹沒在流水賬里。

AutoGenetic Memory 關鍵設計

分層記憶體系：信息逐級升華，各歸其位

不同于扁平的時間軸記錄，JiuwenMemory 設計了 L0–L3 四層記憶，讓信息從原始對話逐級抽象為結構化知識。

L0 原始信息層完整保留對話歷史與時間戳等元數據，作為提取的源頭，支持回溯與全量分析；L1 摘要記憶層由 LLM 壓縮單次會話的關鍵結論、單獨提煉，降低 Token 消耗、避免上下文溢出；L2 結構化記憶層拆分為情景記憶（按時間軸記錄用戶經歷的具體事件、決策，可追溯）與語義記憶（沉淀背景知識、技術細節，不被日常流水賬覆蓋）；L3 用戶畫像層刻畫核心特征，含用戶畫像（偏好、習慣、角色定位）與結構化變量（姓名、時區、語言偏好等），始終處于最易訪問的頂層。

這套分層的價值有三：信息密度逐級放大、偏好與技術細節不再互相覆蓋；通過摘要與結構化的精準壓縮，避免全量歷史加載、顯著降低問答端到端 Token 成本；各層獨立存儲，確保記憶跨會話持久保留。

正是這種分層，讓雜亂的原始對話被整理成各歸其位的 "記憶基因"—— 按需調取、無需全量加載，基因構建因此更高效。

Auto Dreaming：把高成本記憶加工 "挪到后臺睡眠時段"

認知神經科學早已揭示，人類在睡眠中通過 "記憶固化" 將白天的零散經歷重放、提煉為長期記憶。JiuwenMemory 把這一范式工程化 —— 將記憶提取這類高成本計算從在線對話路徑剝離，放到后臺定時離線異步完成 —— 這正是 "做夢" 命名的由來。

一次整理像經歷一次睡眠：淺睡做增量篩選，REM 階段由 LLM 單遍完成提取與歸類，深睡經語義去重、沖突消解后寫入長期記憶。

整個過程無需人工標注、可溯源至原始會話。為了能規?；ｑv，團隊疊加了多重控本手段：后臺守護進程定時觸發，系統繁忙時"忙碌退避"順延、斷點續掃只消費新增會話，疊加壓縮截斷、批次封頂等手段，使 Token 開銷線性可控。全自動從對話中蒸餾經驗并歸入分層體系，且全程可溯源至原始會話——記憶由此從"存下來"升級為"自主生長"。當前的Dreaming方案不止于記錄，更擅長總結歸納，以整段會話為視野做隱式提煉，把分散線索沉淀為更穩定廣義的畫像與經驗，并向跨會話、跨用戶的深層記憶沉淀持續演進。

這一步的去重與沖突消解，恰如基因的 "復制校對與自然選擇"—— 淘汰無效、矛盾的片段，留下被驗證過的優質基因；與 GraphMemory 的關系化組織相配合，讓每一條記憶基因更準、更可信。

MemoryTurbo：把用戶感知時延降到最低

"Turbo" 取自汽車工程渦輪增壓，MemoryTurbo 借用這一隱喻：前臺對話持續產生 "排氣"（新增信息），后臺飛輪靜默旋轉將其轉化為 "增壓"（結構化記憶），多輪交互推動飛輪越轉越快 —— 正如渦輪增壓器隨轉速攀升而輸出更猛，記憶提取效率也越用越高。配合分層體系，MemoryTurbo 讓記憶基因的提取、聚類與沉淀在后臺高速運轉、用戶無感 —— 基因構建因此既快又省。

其關鍵在于動能解耦：原始對話瞬間寫入緩存層向量庫即完成更新，記憶提取在后臺按算力負載異步調度。配合離心式語義聚類—— 由小模型先按話題合并對話、一組一起提取，既保證連貫、避免語義漂移，又大幅攤銷大模型調用次數。

這套方案的核心價值是用戶感知時延降低 80%，Token 使用量進一步降低 50% 以上，且提取未完成時緩存層仍可檢索，精度不受影響。

Graph Memory：從片段記憶到關系網絡，讓 Agent 理解 "人、事、物" 的長期關聯

在長期交互中，Agent 需要記住的不只是單條事實，還包括事實之間的關系。例如 "用戶在做 A 項目""A 項目依賴 B 系統 ""用戶上次因為 B 系統延期調整了計劃"。如果只把這些信息作為獨立文本片段存儲，檢索時容易只召回局部信息，難以還原完整上下文。Graph Memory 將對話、文檔和結構化內容轉化為可持續演進的記憶知識圖譜，讓 Agent 能夠沿著實體和關系理解長期記憶。

Graph Memory 將記憶從孤立事實升級為動態關系網絡，實現四大價值：一是將 "用戶說過什么" 進化為 "人、事、偏好間的關聯"，讓 Agent 理解長期交互中變化的關系圖譜；二是通過實體與關系鏈路召回上下文，解決純語義相似度檢索的遺漏問題，更完整地回答復雜問題；三是 Episode 保留來源溯源，Entity 和 Relation 沉淀結構化結果，新對話進入后圖譜持續合并更新，讓長期記憶從靜態記錄演進為動態知識網絡；四是跨會話、跨文檔信息組織成關系網絡，幫助 Agent 積累客戶、項目、問題、方案之間的長期關聯，支撐組織級個性化服務與知識復用。

動態 Adapter 層：一種 "不綁定" 的設計哲學

Agent 生態正在快速裂變：新的 Agent 平臺層出不窮，記憶引擎也在持續演進。如果記憶系統與任何一方硬綁定，用戶要么被鎖死在單一框架里，要么每次遷移都要重寫集成邏輯 —— 這正是 JiuwenMemory Adapter 層想要消除的痛點。

其核心設計理念是雙維度解耦：Plugin 維度面向 Agent 平臺，Provider 維度面向記憶引擎。記憶不屬于任何一個框架，它是跨平臺共享的基礎設施。比如用戶在 OpenClaw 上積累的對話記憶，可以無縫被各類 Agent 平臺直接繼承 —— 平臺變了，記憶不丟。

更重要的是，這套解耦架構天然面向未來開放。目前 Provider 維度已內置 JiuwenMemory 和 Mem0 兩種代表性實現，Plugin 維度已支持 OpenClaw 等主流 Agent 平臺 / 應用，未來的擴展都只需實現對應的抽象接口，定義了一個可持續擴展的契約邊界，讓記憶生態從封閉走向開放。正是這條跨平臺通路，讓記憶基因得以在不同 Agent、不同平臺之間復制與繼承。

Swarm Memory：從個體記憶到群體記憶，讓 AI 記憶在組織之間實現沉淀與共享

同時，AutoGenetic 記憶引擎在構建基于 Swarm 的群體記憶，是蜂群協作范式重要組成部分。單個 Agent 的記憶再強，也只是一棵孤樹；當多個 Agent 協同工作，真正的價值在于讓各自的記憶匯入同一片知識森林。每個 Agent 在服務用戶時獨立積累個體記憶，同時將值得共享的經驗、知識與關系網絡沉淀至組織級記憶池，供群內所有 Agent 按需共享。新加入的 Agent 不再 "從零起步"，而是直接繼承組織已沉淀的領域知識、客戶畫像與問題解決路徑，實現 "一人經驗、全員受益"，記憶由此從個體資產升級為組織級數據資產。

實戰場景：記憶能力賦能真實業務

快速開始：三步接入 JiuwenMemory

步驟 1：安裝

JiuwemMemory 兼容 Windows、Linux、macOS，需要 Python ≥ 3.11 且 < 3.14（建議使用 3.11.4）。

pip install -U JiuwenMemory

按需安裝存儲后端：

# SQLite 支持

pip install JiuwenMemory [sqlite]

# PostgreSQL 支持

pip install JiuwenMemory [postgres]

# 其他如 MySQL、GaussDB、Redis、ChromaDB 支持

pip install JiuwenMemory [mysql]/[mysql]/[gaussdb]/[redis]/[chromadb]

# 安裝所有存儲后端

pip install JiuwenMemory [all]

步驟 2：初始化 Provider，配置存儲后端和 Embedding 模型，注冊到 Agent 系統。

步驟 3：Agent 自動使用記憶能力—— 對話開始預檢索記憶，對話結束生成記憶，用戶查詢可主動檢索記憶，無需修改 Agent 核心邏輯。

JiuwenMemory 實測

場景 1：以下發郵件的記憶場景，其實就是 JiuwenSwarm 搭載 JiuwenMemory 后的實測結果。在沒有任何顯式指令的情況下，Agent 主動從對話中提取了聯系人信息、用戶身份、收件人偏好、項目關鍵數據，并按類型分層寫入；跨會話后正確調用了收件人郵箱、以用戶身份落款，并保留了符合對方偏好的表達，全程無需用戶重復提供任何信息。

場景 2： 搭載 Dreaming 記憶能力后的真實實測演示。在全程無任何顯式指令要求的前提下，用戶與 Agent 自由聊天溝通，交流內容圍繞個人困惑、個人興趣兩大核心展開。對話過程中，Agent 自動觸發 Dreaming 記憶提取、歸納與合并能力，全程無需用戶手動標注、總結信息。

Agent 自主梳理完整聊天記錄，智能甄別對話中的有效個人信息，精準提煉用戶真實困惑、興趣偏好、個人特質等核心內容，對碎片化、口語化的對話內容進行規整整合、去重合并，形成結構化的用戶專屬記憶。整個過程全自動完成，無需用戶重復闡述個人情況，實現自然對話場景下的智能記憶沉淀與信息歸檔。

從 "信息存儲" 到 "自主生長"

Agent 記憶的上一輪競賽圍繞 "能不能記住" 展開，如今各團隊在底層存儲與召回上已趨于一致；新的焦點正在轉移：記下來的是什么、能不能自主生長

當記憶只是 "存下來", 它就是一堆被動等待檢索的原始數據，會膨脹、會矛盾、會淹沒關鍵信息；

只有當它能像基因一樣可復制、可共享、可進化，才真正 "活" 了起來

這正是 AutoGenetic Memory 名字里的答案 ——把每一條記憶都當作一段會自主生長的基因片段來對待

• AutoDreaming 與 GraphMemory 像基因的校對與關系化組織，淘汰無效與矛盾、留下被驗證的優質片段，讓記憶基因更準；
• 分層記憶體系與 MemoryTurbo 讓基因按需構建、高速沉淀，避免冗余與等待，讓基因構建更高效；
• Swarm 群體記憶讓記憶基因跨 Agent 復制、在群體中重組與遺傳，沉淀為組織級的 "記憶基因庫"。

從被動的 "信息存儲" 到 "自主生長"，從個人記憶到組織記憶沉淀，AutoGenetic Memory 想做的，是把 Agent 記憶從一項 "功能" 重構為一種 "核心數據資產"，助力打造真正認識你、記得你、越用越懂你的智能 Agent。

相關資源

• openJiuwen 官網：https://www.openjiuwen.com/
• JiuwenMemory 代碼倉：https://gitcode.com/openJiuwen/agent-memory/

文中視頻鏈接：https://mp.weixin.qq.com/s/loIZliLAfYr4z2eedjmX1w