MemOS Local Plugin v2.0.8 — 深度研究报告

Codex 核验（2026-10-09）：这是原日期的插件研究，安装与效果未重跑。Hermes 当前 memory.provider 仅激活一个 provider，双系统共存需显式组合或独立工具。默认本地 embedding 需先下载模型；SQLite 本地存储不等于远端 LLM 推理也离线。gain 的分组差值未经对照不证明因果提升。见当前 provider 契约。

基于完整源码分析（@memtensor/memos-local-plugin Reflect2Evolve V7） 研究日期: 2026-07-15 论文: ArXiv 2507.03724 | 官网: https://github.com/MemTensor/MemOS OmniMemEval: https://github.com/MemTensor/OmniMemEval

1. 整体架构

agent-contract/ (DTO + JSON-RPC + Events)
     │
     ├── bridge/ (stdio.ts + methods.ts) ← JSON-RPC → adapters/hermes/ (MemTensorProvider Python)
     │
core/ (pipeline/orchestrator.ts → MemoryCore)
 ├── capture (L1 trace)
 ├── reward (backprop)
 ├── memory/l2 (policy induction)
 ├── memory/l3 (world model)
 ├── skill (crystallization)
 ├── retrieval (three-tier)
 ├── feedback/decision-repair
 ├── injection/scheduler
 ├── embedding/llm/session/config/storage
     │
     ├── server/http.ts (+ viewer Preact SPA) port 18800

2. 三层记忆模型

L1 Trace — 步骤级操作记录

每条 trace 对应 agent 的一步（一个 tool call 或一段 assistant 文本）：

• 字段: id, episodeId, userText, agentText, summary, toolCalls, reflection, value, alpha, rHuman, priority, errorSignatures, vecSummary, vecAction
• 双向量：vecSummary（用户意图语义）+ vecAction（agent 行为语义）
• Embedding: 支持 6 种 provider（local/openai/gemini/cohere/voyage/mistral）
• 反射分类: PIVOTAL(α=1) > RELATED/RELATED_DEFAULT(α=0.5) > IRRELEVANT(α=0)

L2 Policy — 跨任务策略归纳

• 核心: 触发条件 + 操作步骤 + 验证标准 + 边界条件
• Induction 流程: 关联→候选池（按 PatternSignature 分桶）→ LLM induce → 去重 → Gain 计算 → 状态迁移
• Gain = V̄_with − V̄_without (EMA 平滑 α=0.4)
• 状态: candidate → active (gain≥minGain, support≥minSupport) → archived (gain<archiveGain)

L3 World Model — 环境认知模型

• 结构化三元组: ℰ（拓扑结构）+ ℐ（行为规则）+ 𝒞（约束禁忌）
• 聚类抽象: 按 domain tag + centroid proximity 分簇 (minSimilarity=0.6)
• cooldownDays=1 避免反复抽象
• confidence: 0.5 初始，feedback ±0.05，<0.2 隐藏

3. 反射加权回报回传

核心信用分配机制：

f_t = (1-λ) + λ·γ^(T-t)          # 时序位置权重 (λ=0.5, γ=0.9)
recovery_t = 1 if α_t>0 and α_{t-1}=0 else 0
r_t = 1 + δ·recovery_t            # 恢复加成 (δ=0.1)
w_t = α_t · f_t · r_t            # 综合权重
V_t = (w_t / Σw) · R_human

• 30 天内 priority 衰减到一半 (decayHalfLifeDays=30)
• Episode outcome: rTask≥0.5→success, rTask≤-0.15→failure

4. 技能结晶机制

1. Eligibility: support≥2 + gain≥0.02 → crystallize
2. Crystallization: 精选高 V traces + counter-examples → LLM prompt → verifier → upsert as candidate
3. Graduation: candidateTrials(3) 次 trial 验证后晋升 active
4. Rebuild: L1(minor)更新统计 / L2(major)重生成 / L3(full)全部重建
5. η (adoption rate): <0.1 归档

5. 检索策略 (Three-Tier)

多通道融合: Vector + FTS5 + Pattern + Structural → RRF → Blend → MMR(λ=0.7) → LLM Filter

6. Hermes 集成

• provider name: memtensor (在 plugin.yaml 注册)

• Transport: stdio JSON-RPC 2.0 → Node.js bridge.cjs

• 生命周期:

  Hermes Hook → MemOS
  initialize → spawn bridge + open session
  prefetch(user_text) → turn.start RPC → 三级检索 → InjectionPacket
  sync_turn(agent_text) → queue turn.end
  on_session_end → close episode + close session
  on_pre_compress → memory summary
  on_delegation → subagent outcome as trace
  get_tool_schemas → 6 个记忆工具
  handle_tool_call → dispatch to JSON-RPC

• 暴露6 个工具: memos_search, memos_get, memos_timeline, memos_environment, memos_skill_list, memos_skill_get

7. 最佳实践

1. 轻量模式: algorithm.lightweightMemory.enabled: true — 仅摘要+检索，适合大多数场景
2. LLM: llm.provider = host 复用 Hermes LLM；技能进化建议用强模型
3. Embedding: local 零配置离线可用，生产可换 openai_compatible/voyage
4. LLM Filter 默认开启 (llmFilterEnabled: true, llmFilterMaxKeep:8) — 降低无关注入
5. Skill 注入: skillInjectionMode: summary 比 full 更 token 高效
6. Session: followUpMode: merge_follow_ups + mergeMaxGapMs: 2h
7. 运维: Viewer 在 :18800 实时监控，配置支持热更新

8. 与 gbrain 对比互补

推荐分工:

• gbrain → 长期知识库（结构化知识、关系、事实）
• MemOS → 经验记忆系统（操作模式、失败教训、自生成技能）
• 两者共存需组合 memory provider 或独立工具，原生多 provider 共存未证实

关联

• multi-layer-memory-system — 现有记忆架构
• omnimemeval-2026-memory-benchmark — MemOS 的基准测试数据