2025-12-10 EverMemOS 框架如何处理记忆

发布于 2025年12月10日  •  1 分钟  • 25 字

之前在Agent记忆那篇文章下，有网友推荐 EverMemOS，这几天抽空看了一下这个框架，关注的重点依然是记忆的处理。

EverMemOS 框架最大的特点在于 MemCell 这个原子结构的提出。MemCell 是从对话中提取的、按照话题和时间切割的最小语义单元。

MemCell的生成分为以下三步：

当对话流输入后，系统首先会进行消息预处理，过滤非文本消息，并将图片、视频等多媒体内容以占位符形式表示。

然后判断边界。首先根据时间来切分，跨天的对话会必然被分割。其次根据话题来切分。由大语言模型它根据话题的自然边界来判断当前对话不切分还是切分，当新消息明确开启一个无关的全新主题时，才会切分。当信息不足时，模型则倾向于等待更多上下文。

最后是生成 MemCell，每个 MemCell 包含唯一事件ID、参与者列表、原始消息数据、时间戳、由LLM生成的话题摘要以及类型标识。

在 MemCell 生成之后，会并行执行多种记忆提取任务，将统一的 MemCell 转化为侧重点不同的记忆类型：

• 情景记忆被提取为讲故事式的叙述，记录发生了什么；
• 用户画像不断提取用户的特征与习惯；
• 偏好记忆专注于用户的具体选择与喜好；
• 语义记忆则抽取出对话中的关键概念及其相互关系；
• 事件日志记录最细粒度的原子事实。 所有这些被提取的结构化记忆最终会被存储至MongoDB数据库，并同时索引到Elasticsearch（用于全文搜索）和Milvus（用于向量相似性检索）中，形成一个完整且易于检索的动态记忆体系。