QCon 2026·MemTensor：OpenClaw 热潮下的 Agent 记忆系统工程实践
主讲：熊飞宇 博士（记忆张量 MemTensor，创始人 & CEO）
时长：约 49 分钟 + 12 分钟答疑
记忆从效率工具变成了 Agent 能否正常运行的生死线。MemTensor 分享了 memOS 的三层记忆分层架构（明文/KV Cache/参数）、两条技术路径的对比选择，以及企业级多 Agent 产品 ClawForce 在部署、经验沉淀和安全治理上的实践。
今天分享三部分
- 做 Memory 和 memOS 的整体思考
- memOS 与 Claude/OpenClaw 如何结合
- 面向企业的多 Agent 产品 ClawForce：多 Agent 协同与安全管控
一、团队背景
MemTensor 团队 2023 年在上海算法创新研究院成立。在此之前我主要在阿里，先后担任阿里业务中台数据团队负责人、浩天集团数据平台负责人，落地了国内首个零售行业大模型，在核心商品和商家业务上有应用。
团队成立时的核心出发点是探索基础原理层面的创新——从模型架构本身出发，思考什么是需要被补足的。我们认为 Transformer 架构本身存在计算复杂度爆炸和上下文窗口的固有缺陷，势必需要更好的架构和系统设计来解决 Memory 问题。所以我们做的第一件事是训练一个记忆分层的基座模型，也就是 MemCube——业界首个做记忆分层的模型。对记忆进行分层处理，现在已经是业界共识，包括 Google 等团队都在积累这个思想。
基于 MemCube 的核心思路和算法，我们构建了 memOS——记忆操作系统，希望从操作系统的维度去管理记忆，达到整体效果最优。
去年获得了年度前 10 的融资，也拿到了很多订单。
二、为什么 Memory 越来越重要
无论是大模型的 Memory 还是 Agent 型 Memory，随着 OpenAI 发布相关功能后都在一路走高。
几个关键推动因素：
Sam Altman 的大力鼓吹：他最早在 ChatGPT 里上线了记忆功能，效果确实很好——模型能记住你，每次回答都结合你的历史。他反复在各种场合推这件事。
**从”效率问题”升级为”生死问题”**：过去我们认为记忆只是提升准确率和召回率的效率工具。但随着 Operator（任务型 Agent）的出现，如果 Agent 的状态不够准确、记不住关键信息，任务就会失败——记忆变成了 Agent 能否正常运行的生死线。大家对这件事的重要性有了全新认知。
上下文复杂度急剧增长：单个用户单轮对话就已经有极其丰富的上下文（工具调用、知识库、外部信息、反馈等）。扩展到多 Agent 规划、MTA（多任务 Agent）、M 台架构后，复杂度急剧增长。需要一个专门的记忆增强层来屏蔽这些复杂操作，这就是我们做 memOS 的核心出发点。
三、记忆增强的五个核心环节
记忆增强链路可以归纳为五个环节：抽取 → 组织 → 检索 → 更新 → 共享。
- 抽取：从对话或企业文档中捕捉关键信息形成记忆片段。哪些内容应该被抽取成记忆？不同行业、不同场景差异很大，比如情感陪伴类 APP 和工业场景的记忆内容大相径庭。
- 组织：如何构建记忆的逻辑和时间关系。
- 检索：按需快速检索相关记忆用于推理生成。
- 更新：记忆有遗忘曲线，如何动态修正、替换过时记忆，保持知识新鲜。
- 共享：多 Agent 时代，知识和记忆之间的共享与隔离——尤其涉及企业安全时至关重要。
另外，LLM 架构天生带来幻觉，而幻觉在记忆这件事上会向后传导——抽取环节一开始搞错了，后面会一路飘偏。这也是 Claude/OpenClaw 这类系统一直用 context 配置方法存在的问题。
四、两条技术路径的对比
业界做记忆增强有两条路径：
路径一：模型内生驱动
通过设计创新的基座架构，在模型底层嵌入记忆机制，改变模型本体。代表工作：Google 的 Memorizing Transformers（2022）、NCBR 的 focused Transformer（2023）、UCSD 的 MemoryLLM（2024）、我们的 MemCube（2024，业界首个记忆分层框架）、浙大团队通过编辑模型参数来编辑记忆等。
优点：上限高，新架构、新训练策略都能带来显著提升。
缺点：成本极高。我们在 2024 年初训练 MemCube 时，只融到了 240 万人民币，用了 A10 显卡跑了半年，供应商问题直到今天也没完全解决。风险很高。
路径二：应用系统驱动
在应用层叠加一套系统来管理交互内容和信息。硅谷这边很多团队在走这条路。
优点：效率高、扩容容易。
缺点：严重依赖 LLM 能力，幻觉问题突出。
我们的选择：结合两者。模型驱动决定上限，应用驱动决定下限。需要从系统层面做多层次记忆的协同和多触点调度，把参数内、KV Cache 中、明文存储中的记忆统一管理，达到读写效率全局最优。
五、memOS 1.0：记忆分层架构
memOS 1.0 的核心是三层记忆分层架构，源自 MemCube 的思想：
| 层级 | 名称 | 特点 |
|---|---|---|
| 上层 | 明文记忆 | 类似 RAG，写入快（修改数据库/文件系统），读取慢（需检索再生成） |
| 中层 | 激活器（KV Cache） | 读写适中，命中率高时响应快、成本低 |
| 底层 | 参数集（模型参数） | 推理速度快，但训练成本高 |
核心思想：把合适的记忆放在合适的位置，实现整体读写效率最优。
基于调度的生命周期管理：举个例子，我和虚拟助手聊天，它知道我喜欢打篮球。对话过程中话题漂移到伊朗局势，系统会根据用户行为预判，提前检索相关新闻存入 KV Cache，保证缓存命中率始终处于高水平，整体效率最优。
图结构组织：记忆之间存在复杂的冲突检验和逻辑结构关系，需要图结构来做更好的组织管理。
六、memOS 2.0：面向长期运行的 Agent
2024 年 12 月底发布 memOS 2.0，核心解决面向技术效率最优的记忆管理框架。
背景：我们发现很多合作企业（游戏、情感陪伴、工业）内部 Agent 的任务复杂度在逐步升高，需要更好的记忆管理框架来支持 Agent 长期运行和状态进化。2025 年初 OpenClaw 热潮爆发后，memOS 的使用量一路攀升。
三个核心思路：
1. 以用户/Agent 为中心的状态管理
龙虾”养死”的根本原因是它对自己的状态判断很差——任务执行到一半，它觉得完成了就停在那里；或者没执行完这一步，直接跳到下一步。memOS 2.0 重点做：
- 状态感知：实时识别用户/Agent 的行为阶段和环境状态
- 状态判定：评估重要节点，预测未来发展
- 状态进化：记忆不再是查询时的静态对象，而是需要被实时调度的动态资源
2. 记忆版本化管理与进化
对 Agent 执行过程中的状态全量存储，清晰地看到哪些记忆应该被淘汰/替换/遗忘，哪些知识和经验应该被记录下来，从而实现经验沉淀和记忆进化。
3. 持续训练记忆衍生基座模型
记忆不只是外挂系统，还要成为模型能力本身的一部分。在模型架构、训练目标和推理机制中原生支持：信息压缩、检索和跨时间调用。我们在架构层面增加了多个 Memory Head，让模型参数能更好地处理记忆的方方面面。
七、memOS 开源社区
memOS 是开源框架，目前 GitHub Star 数超过 8,300，在快速增长，在同类开源项目中排名靠前。社区现有约 1.5 万开发者，其中约 1,000 来自大型企业。我们联合交大等高校共建 memOS 技术和开源生态，欢迎大家参与。
云服务调用量已超过 100 万次/天，分布：60% 左右是复杂 Agent 类型，28% 是游戏和情感陪伴应用，12% 来自硬件层（消费电子设备）。目前是最大的记忆云服务平台之一。
八、memOS 与 Claude/OpenClaw 插件集成
Claude/OpenClaw 原生记忆的核心问题
Claude/OpenClaw 系统的记忆设计存在几个问题：
- 没有结构化写入：什么时候记什么完全交给模型自己判断，写入稳定性和一致性无法保障，天然会出现漂移
- 记忆与检索分离：符合软件高内聚低耦合的设计理念，但我们认为这两件事不应该被分开——内容未必会被装进上下文，淘汰后的长期记忆未必能正确沉淀
- 过度依赖压缩：过多压缩会损害推理的连贯性，代码细节没有被保留，整个代码仓库可能被冲掉
memOS 从 6 个维度做了提升：
- 存储：从单一向量存储扩展到多模态统一管理
- 检索：从 BM25 + 向量双路召回，升级为 RRF 三路融合 + MMR 多样性设计，在召回多样性和准确性之间取得最优平衡
- 过滤：从简单阈值，升级为语义相似度 → 向量排序 → 大模型判断的三层漏斗
- Skill 提取：新增 memOS Skill 提取功能，从对话数据中自动提取结构化任务，转化为参数化的 Skill
- 可视化：MemoryViewer，全功能可视化面板，让黑盒记忆变透明，支持时间线、空间维度的记忆追踪，以及记忆质量看板（重复率、命中率等）
- 团队协作：支持 Skill 在不同 Agent 之间共享，以及数据隔离
两种插件形态
云插件：API 一键接入，5 分钟完成接入，支持高并发、低延迟、多模态，适合 SaaS 产品快速验证。
本地插件（memOS Local）：100% 本地运行，下载安装包即可使用，支持企业私有化部署，适合对隐私有强要求的开发者和企业。
插件架构设计
插件分 6 个模块，3 个同步（环境初始化、上下文组装、记忆处理/压缩/去重）+ 1 个异步（子记忆继承和管理）。实现 0 侵入、全链路覆盖，每个模块可以独立插拔启用/关闭。
核心效果数据
- 大模型评分显著提升
- 3 天内上下文成本下降 30%
- 用户工单交互轮次减少 50%+
- Token 综合节省约 50%
九、企业级产品 ClawForce
ClawForce 是我们在 memOS 之上构建的企业级多 Agent 产品。内部评测：原来开发一个复杂场景需要约半年，使用 ClawForce 后人力大幅下降，开发时间降到约一个半月。
解决的核心痛点：
- 部署：从个人本地部署扩展到 50/100/500 个 Agent 的企业级部署
- 经验沉淀：老员工离职后经验不会流失；以前邮件、审批系统无法自动感知核心节点，需要专人盯——ClawForce 让 Agent 能自动处理这些
- 治理/安全：数据边界、操作追溯、规范审核和回滚
产品架构（从底到顶）：
- 底层：memOS 引擎、Skill 引擎、事件/工具链接
- 管理端：IT 团队快速部署、方案下发和持续优化
- 员工端：让员工真正信任和使用 Agent
三个核心 Demo：
1. 新 Agent 快速部署：通过企业知识 + 模型快速生成 Agent 描述，IT 团队核验后配置模型、外挂、Skill，指定给哪些岗位使用及相关策略，完成部署。
2. 组织经验沉淀：以参展方案为例，Agent 处理后自动更新 Skill，触发 Skill 变更审核流程，管理后台可看到变更详情，审核通过后沉淀到组织，并可配置可使用范围。
3. 安全体系：
- 事前：敏感信息过滤、网关侧安全插节点
- 事中：高危操作（群发、批量操作）需二次人工确认
- 事后：异常行为告警、操作日志导出，给企业提供完整的底线保障
多 Agent 协同示例：一个商务同学有销售背景，需要新增一个商务营销 Agent。Agent 持续向商务助手提供热点信息，商务分析 Agent 判断有价值后，跨 Agent 推送给产品经理，推动产品设计。核心是：哪些记忆需要隔离、哪些需要复用、如何确保状态准确。
答疑
问（观众）：OpenAI 等大模型厂商自带记忆功能，memOS 作为第三方独立记忆层的生存空间在哪里？
熊飞宇：大模型厂商会把记忆留在自己的产品内，核心是通过记忆做用户留存。OpenAI 甚至用记忆层做登录组件，让其他开发者用 OpenAI 的独立记忆层做用户画像。
我们的核心逻辑是做第三方独立记忆层——让不同端、不同数据之间的记忆能够联通和统一管理，让记忆归属于它应该归属的对象（个人记忆归个人，企业记忆归企业），而不是绑定在单一模型厂商。
现实是应用厂商不会绑定单一模型：做对话用 DeepSeek，做长文本生成用开源模型，做语音用语音专项模型。在多模型协同的现状下，独立于模型之外的记忆层是必然需求，这个格局在现有商业化架构下不会改变。
问（观众）：开源版和 SaaS 商业版功能是否一致？开源和商业化是否冲突？
熊飞宇：不冲突。我们现在做的开源会比较彻底，但有时间差——公司成立才一年多，影响力和覆盖面比商业化营收更重要。我们会确保闭源功能在接下来几个月内同步到开源版本，并且 API 几行代码就能接入，对开发者非常友好。
观众（补充）：在中国，开源和商业化确实容易被认为冲突，但在海外市场，开源产品是不可能被企业直接采购的，他们必然寻求付费的技术支持和解决方案。另外开源对产品的反馈回路非常重要，在 AI 时代这一点更加关键。
问（观众）：未来半年 Agent 记忆方向最值得关注的点是什么？
熊飞宇：最核心的方向是记忆工程（Memory Engineering）——如何让记忆在运行时状态更加准确，让 Agent 更好地执行长期任务。这其实就是现在大家讲的 Harness 的重要组成部分：Agent 能稳定运行，记忆是非常关键的一环。如何让它长期稳定、长期有效、长期准确，是最核心的问题。
问（观众）：memOS 里的 Skill 自组织写入，会不会终结人工设计范式？业界好像都在往自动化方向走。
熊飞宇：这个问题本质上是在问 AGI 什么时候到来。在 AGI 到来之前，人还是有非常大的作用。而且即使 AI 能力越来越强，人的能力层次要求也越来越高。你可以看那些自组织框架，它的底层算法是什么？不同组之间的算法关系怎么处理？这些是否也是模型自己设计出来的？——在 AGI 到来之前，这些底层框架和算法逻辑仍然需要人来设计。
问（观众）：企业内部各团队处理相似业务逻辑，如何通过记忆共享和融合避免重复劳动？
熊飞宇：不同层级的员工对同一件事的理解不一样——高层级员工看到的数据和视角更多，但这些东西没有被共享。我们的做法是通过算法把高层级员工的记忆和经验，分发给低层级员工，帮助初级员工快速成长。核心在于：Skill 的质量管控（打分、治理）和私域权限管控——什么级别的人有权限使用什么 Skill，最终由企业内部决策。
观众（补充）：这其实是一种组织范式的变化。有个 CEO 发现，他的管理杠杆不再是招人或管人，而是去梳理每个岗位的业务流程，把每一步骤的数据写下来，教给员工。这是高层经验向低层员工覆盖的一种新模式。在人机协作业务推进过程中，自然会沉淀出大量数字化资产，这些资产将成为未来企业真正的商业模型。