Harness 与 Agent 工程 · 上下文与记忆 · 2026-08-05

14款Memory产品测评MemOS第一,我又把Hermes捞了回来

模型可灵活替换,记忆才是AI核心价值,14款Memory产品测评MemOS夺冠。 核心内容:

  1. 模型灵活替换成趋势,Agent选择更开放
  2. 记忆是被低估的Agent核心能力
  3. 主流Memory产品方案对比及MemOS优势

最近几个刷榜的模型,GLM-5.2、Kimi K3、Qwen-3.8-Max,看起来都挺能打。

这件事带来的一个直接变化是:我对 Agent 的选择,开始没那么依赖它默认绑定了哪一个模型。

模型可以换,API 可以接,今天用 GLM,明天换 Kimi,后天再试 Qwen。只要 Agent 本身足够开放,模型反而越来越像一颗可以随时替换的发动机。

如果你已经把它们当成日常工作的 AI 搭子,那我先说一个判断:

未来真正值钱的,可能不是模型,不是某个 Skill,甚至不只是 Agent,而是你和 AI 一起积累下来的上下文。

为什么?

/记忆可能是目前最被低估的 Agent 能力/

现在大家谈 Agent,最喜欢谈模型、工具调用、MCP、Skill、浏览器操作和代码能力。

很少有人认真算另一笔账:

你和 Agent 一起工作的那些时间,到底沉淀下来了多少?

Agent 真正需要解决的,是那些只有做完一次任务才会产生的经验。

上次修复 Bug 时,Agent 先走了哪条错误路线,为什么失败;查资料时,哪些来源看似权威,实际已经过时;用户否定了一种表达,到底只是这次不适用,还是应该更新为长期偏好;某套工作流偶然成功了一次,究竟值不值得继续复用。

这些信息无法在任务开始前写进AGENTS.md,因为那时它们还不存在。

模型在升级,工具在增加,Context Window 也越来越长,但用户与 Agent 共同工作的历史,依然在一次次 Session 结束后被浪费掉。

这是我认为 Memory 被低估的原因。

它并不只是让 AI 偶尔说一句“我还记得你喜欢什么”。

真正有价值的 Memory,应该至少解决三件事:

第一,让 Agent 记得用户和项目当前是什么状态;

第二,让它知道过去哪些方法成功、哪些方法失败;

第三,让已经验证过的经验改变下一次行动。

前两项是记忆,第三项才接近进化。

/各家都有记忆,但说的根本不是同一件事/

现在几乎所有主流 AI 产品都说自己有 Memory,但它们对 Memory 的定义差异很大。

这些方案很难简单地说谁更先进。

Codex 式后台记忆的好处是,用户不需要天天维护,系统也可以尽量避免把大量脏数据暴露给用户。

Hermes 式显式记忆的好处是,你能看见 Agent 如何理解自己和用户,记忆也更容易审计。

OpenClaw 的文件化记忆强调可控和可迁移,但管理规模一大,也容易变成新的文件整理工作。

MemOS 则试图在这些 Agent 之上再抽象一层,把记忆从某个产品的内部功能,变成相对独立的基础设施。

一句话总结一下,它是在原始对话与 Context Window 之间,增加了一套完整的 Memory Lifecycle。

一次任务产生的内容,可以被拆分为用户偏好、项目事实、工具轨迹、失败路径和可复用经验,并附带来源、时间、版本等元数据。MemOS 再通过 MemCube 将这些异构记忆封装成可以管理的单元,让不同用户、项目和 Agent 的记忆既能隔离,也能按需组合、迁移和共享。

这也是我真正感兴趣的地方。

模型越来越容易换,Agent 也可能不断换,但用户不应该每换一次工具,就把自己积累的上下文全部推倒重来。

如果一套记忆只能跟着某个平台使用,那它不完全是用户资产,更像平台锁定用户的另一种手段。

/Memory 产品都说自己强,到底信谁?/

AI Memory 最近越来越热闹,每一家都说自己召回更准、上下文更少、更懂用户。

问题是,过去很多跑分根本不能直接比较。

使用的数据集版本不同,回答模型不同,Prompt 不同,Judge 不同,检索参数不同,甚至连“得分”的定义都不完全一样。

这很像大模型早期各种排行榜乱飞的阶段。

每个人都参加了不同的考试,最后又把分数放到同一张海报上比较。

MemOS 最近开源的 OmniMemEval,想解决的就是这个问题。

它把 14 款主流 Memory 产品接入同一条评测流水线,尽量统一 Benchmark、模型配置、Prompt、Judge 和评分方式。

OmniMemEval 把评测分成两部分:

User Memory 测 AI 能不能长期理解用户,包括事实、偏好、时间关系、信息更新和遗忘要求;

Agent Memory 测过去积累的经验能不能真正提高 Agent 执行代码、搜索、数学推理和知识工作任务的成功率。

前者回答:

“AI 有没有越来越懂你”。

后者回答:

“AI 有没有越做越好”。

/把 OpenClaw 和 Hermes 放进同一场考试 /

先看最近大家最关心的 Agent Memory。

这次评测选择了 OpenClaw 和 Hermes 两种 Agent 环境,并覆盖五类任务:

OmniMemEval 的 Agent Memory 部分覆盖五类任务:

这些任务都不是问一句、答一句就能完成。

Agent 需要观察环境、调用工具、保存阶段性结果、排除…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/LargeLanguageModel/2026080568451.html