在 v2.0.2 中，我们围绕「知识库问答效果」与「记忆系统内部机制」两条主线，对检索、工具记忆与事实记忆处理流程进行了进一步优化，同时补充了官方最佳实践文档，帮助开发者更快构建可落地的 MemOS 应用。
本次发布汇总
一、优化知识库文档细节召回能力
在本次版本中，我们进一步提升了检索接口对文档内容细节的召回能力，使基于知识库的问答结果更加完整、精准。
具体改进包括：
- 引入对文档知识内容的独立排序算法；
- 优化原文引用策略，以增强回答中的细节覆盖。
在「MemOS-开源社区交流群」中运行的客服助手 「客服-小忆」，正是基于 MemOS 构建的知识库问答助手。在本次优化后，「客服-小忆」能够在回答 MemOS 相关问题时，覆盖更多文档细节，减少遗漏。
BEFORE
AFTER
二、「知识库问答助手」搭建教程发布
本次更新同步发布了 「知识库问答助手」最佳实践文档。教程提供了一个开箱即用的 Demo 流程，完整覆盖：
- 创建知识库；
- 上传文档；
- 行示例代码；
- 构建基于 MemOS 的知识库问答助手。
在传统 RAG「只检索、不记忆」的基础上，该方案引入了 MemOS 的记忆能力，使问答系统能够在多轮交互中持续积累与利用上下文信息。
教你搭建属于你自己的知识库助手：
memos-docs.openmem.net/cn/usecase/…
如果你想体验「客服-小忆」，欢迎加入「MemOS-开源社区交流群」哦 ～
三、优化工具记忆机制
在 v2.0.2 中，我们对工具记忆进行了两项关键优化：
- 增加针对调用轨迹的程序性经验，用于辅助 Agent 更好地完成任务；
- 对工具 schema 信息进行压缩与去重，避免重复添加 ToolSchemaMemory，优化后 Token 输入压缩率大于 50%。
优化后，一条完整的工具记忆示例如下
{
"id": "4b208707-991a-481c-9dd6-c7f0577ff371",
"tool_type": "ToolTrajectoryMemory",
"tool_value": "User asked about the current weather in Beijing -> Tool 'get_weather' was called with the parameter 'location' set to 'Beijing' -> The tool returned the weather information: temperature is 7°C and condition is Cloudy.",
"tool_used_status": [
{
"used_tool": "get_weather",
"error_type": "",
"success_rate": 1.0,
"tool_experience": "The 'get_weather' tool requires a valid location parameter and provides current weather information for that location." #新增：当前轨迹中该工具的经验。
}
],
"create_time": 1768390489180,
"conversation_id": "demo-conv-id",
"status": "activated",
"update_time": 1768390489181,
"relativity": 0.47883897395535013,
"experience": "when encountering weather inquiry tasks, then ensure to call the 'get_weather' tool with the correct location parameter." #新增：整个轨迹的程序性经验，作为指导任务完成的总体经验。
}
四、优化事实记忆合并与归档机制
在原有记忆写入（add）与召回（recall）链路中，存在以下问题：
- 新记忆只是对已有事实的重复表述，仍会生成新节点；
- 召回阶段未强制过滤失效或应归档的记忆。
本次更新通过 “归档重复记忆”机制 对该问题进行了修复。
添加记忆阶段流程
Step 1：LLM 正常抽取候选 memory
Step 2：对候选 memory 做相似 embedding 召回，得到可疑重复集合
Step 3：使用 LLM 判定是否需要合并：
- 需要：生成更优记忆节点，并在 merged_from 中记录旧记忆
- 不需要：保持原样
Step 4：将被合并的旧记忆置为归档状态，添加新记忆
检索阶段规则
- 仅召回 status="activated" 的记忆节点；
- 已归档（archived）的记忆不再参与召回。
云服务中添加消息示例
# 1) 分别多次添加消息，制造相似/重复内容传入
add_payloads = [
{
"user_id": user_id,
"conversation_id": "001",
"messages": [
{"role": "user", "content": "我叫Tom！喜欢吃胡萝卜也喜欢苹果。"},
{"role": "assistant", "content": "好的收到"}
]
},
{
"user_id": user_id,
"conversation_id": "002",
"messages": [
{"role": "user", "content": "我叫Tom！再强调一遍，我喜欢吃胡萝卜也喜欢苹果。"},
{"role": "assistant", "content": "好的收到"}
]
},
{
"user_id": user_id,
"conversation_id": "003",
"messages": [
{"role": "user", "content": "我是Tom，我不喜欢胡萝卜了。"},
{"role": "assistant", "content": "收到，胡萝卜不喜欢。"}
]
}
]
开源项目中添加消息示例
# 1) 分别多次添加消息，制造相似/重复内容传入
add_payloads = [
{
"user_id": user_id,
"mem_cube_id": cube_id,
"memory_content": "我叫Tom！喜欢吃胡萝卜也喜欢苹果。",
"session_id": "conv_001"
},
{
"user_id": user_id,
"mem_cube_id": cube_id,
"memory_content": "我叫Tom！再强调一遍，我喜欢吃胡萝卜也喜欢苹果。",
"session_id": "conv_002"
},
{
"user_id": user_id,
"mem_cube_id": cube_id,
"memory_content": "我是Tom，我不喜欢胡萝卜了。",
"session_id": "conv_003"
}
]
期望检索结果
# 2) 搜索，查看返回的记忆列表是否有合并/去重效果，其中检索回的最新记忆：
[conv:003] id=49f2eb64-693c-41af-a75e-687e197e5fe2 | memory=用户的名字是Tom，他喜欢吃苹果，不喜欢胡萝卜了。
五、获取记忆接口优化（get/memory）
在 v2.0.2 中，get/memory 接口能力进一步增强：
- 新增 include_tool_memory 参数，用于控制是否返回工具记忆；
- 新增 filter 字段，支持返回特定筛选条件下的记忆；
- 修复 include_preference=False 时的调用错误。
云服务调用示例
data = {
"user_id": "memos_user_123",
"page": 1, # 可选，默认值为1
"size": 10, # 可选，默认值为10
"include_preference": True, # 可选，默认值为true
"include_tool_memory": True # 可选，默认值为true
}
开源项目调用示例
data = {
"user_id": "test_user_xxx",
"mem_cube_id": "test_user_xxx",
"include_preference": true,
"include_tool_memory": true
}
六、开源社区更新
New Features
- 官方文档更新「基于知识库开发问答助手」最佳实践。
Improvements
- 工具记忆新增调用轨迹程序性经验；
- Tool schema 信息压缩与去重，压缩率大于 50%；
- get_memory 接口支持返回工具记忆；
- 提升知识库文档细节召回能力。
Bug Fixes
- 修复 get_memory 在 include_preference=False 时的调用错误；
- 修复 Local Queue 启用时 Status Tracker Redis 配置失效问题；
- 修复 Redis 6.2.0 以下版本 XAUTOCLAIM 兼容性问题。
✨ 老规矩！
🚀 一键体验云平台
立即进入 MemOS 云平台，体验毫秒级记忆与偏好召回能力。
memos-dashboard.openmem.net/quickstart/?entrance=wechat
💾 如果你喜欢我们的工作，请一键三连：
⭐️ Star 🍴 Fork 👀 Watch
并欢迎通过 Issue 提交你的使用反馈、优化建议或 Bug 报告。
github.com/MemTensor/MemOS/issues
关于 MemOS
MemOS 为 AI 应用构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。
作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。
