跨会话不再「失忆」：openJiuwen社区开源 AutoGenetic Memory

机器之心发布

当大模型应用进入深水区，决定一个 Agent 体验上限的，早已不只是 "答得对不对", 而是 "能不能持续记住同一个人"。

近日，华为openJiuwen 社区开源了专为智能体设计的自主生长记忆引擎 AutoGenetic Memory—— 让记忆从 "存下来" 变成 "长出来"。

它的核心思想是：在 AutoGenetic 记忆引擎里，每一条记忆都像一段「基因片段」：

• AutoDreaming 与 GraphMemory 让基因片段更准
• 分层记忆体系 与 MemoryTurbo 让基因构建更高效
• Swarm 群体记忆让记忆基因在群体间实现组织级沉淀与共享

据了解，在公开基准 LoCoMo 测评集上，JiuwenMemory 以插件形式接入 OpenClaw，相较其原生记忆，准确率在提升 15% 的同时，记忆问答与添加环节的Token 消耗大幅度降低超 60%。记忆内容更精炼，每次读取的 Token 更少、模型反复确认的次数更少，质量与性能在这里是同一枚硬币的两面。

AutoGenetic Memory 把 AI 记忆从被动的信息存储，自主生长为可治理、可跨平台共享、可自我演化的核心数据资产。让 Agent 真正具备 "记住用户、理解用户、服务用户" 的能力。

为什么 "记住用户" 这么难

设想一个场景：你让 Agent 帮忙发一封项目结项邮件，对话里随口提到收件人邮箱、自己的身份、对方 "爱看数据"—— 都是闲聊带出来的，没刻意叮嘱它记下。过段时间你回来，让它给同一个人发一封新项目的邮件，你自然不想把这些再说一遍。可现实是，多数 Agent 跨会话后都 "从零开始", 仿佛之前的对话从未发生。

传统对话系统依赖有限的上下文窗口，一旦超出 Token 限制或跨会话重启，信息便丢失殆尽。团队把这种 "失忆" 归纳为四个老问题：用户被迫重复提问、个性化能力缺失、跨会话决策前后矛盾、经验始终停留在零点无法积累。

能回答问题，是 Agent 的基础能力；能记住用户，才是它的长期价值。

OpenClaw 的记忆结构相对扁平，以时间维度划分，Agent 自主决定 "写什么、写哪里", 缺少明确分类约束 —— 灵活性的代价是不确定性：偏好与技术细节可能混在一处，身份画像也容易被淹没在流水账里。

AutoGenetic Memory 关键设计

分层记忆体系：信息逐级升华，各归其位

不同于扁平的时间轴记录，JiuwenMemory 设计了 L0–L3 四层记忆，让信息从原始对话逐级抽象为结构化知识。

L0 原始信息层完整保留对话历史与时间戳等元数据，作为提取的源头，支持回溯与全量分析；L1 摘要记忆层由 LLM 压缩单次会话的关键结论、单独提炼，降低 Token 消耗、避免上下文溢出；L2 结构化记忆层拆分为情景记忆（按时间轴记录用户经历的具体事件、决策，可追溯）与语义记忆（沉淀背景知识、技术细节，不被日常流水账覆盖）；L3 用户画像层刻画核心特征，含用户画像（偏好、习惯、角色定位）与结构化变量（姓名、时区、语言偏好等），始终处于最易访问的顶层。

这套分层的价值有三：信息密度逐级放大、偏好与技术细节不再互相覆盖；通过摘要与结构化的精准压缩，避免全量历史加载、显著降低问答端到端 Token 成本；各层独立存储，确保记忆跨会话持久保留。

正是这种分层，让杂乱的原始对话被整理成各归其位的 "记忆基因"—— 按需调取、无需全量加载，基因构建因此更高效。

Auto Dreaming：把高成本记忆加工 "挪到后台睡眠时段"

认知神经科学早已揭示，人类在睡眠中通过 "记忆固化" 将白天的零散经历重放、提炼为长期记忆。JiuwenMemory 把这一范式工程化 —— 将记忆提取这类高成本计算从在线对话路径剥离，放到后台定时离线异步完成 —— 这正是 "做梦" 命名的由来。

一次整理像经历一次睡眠：浅睡做增量筛选，REM 阶段由 LLM 单遍完成提取与归类，深睡经语义去重、冲突消解后写入长期记忆。

整个过程无需人工标注、可溯源至原始会话。为了能规模化常驻，团队叠加了多重控本手段：后台守护进程定时触发，系统繁忙时"忙碌退避"顺延、断点续扫只消费新增会话，叠加压缩截断、批次封顶等手段，使 Token 开销线性可控。全自动从对话中蒸馏经验并归入分层体系，且全程可溯源至原始会话——记忆由此从"存下来"升级为"自主生长"。当前的Dreaming方案不止于记录，更擅长总结归纳，以整段会话为视野做隐式提炼，把分散线索沉淀为更稳定广义的画像与经验，并向跨会话、跨用户的深层记忆沉淀持续演进。

这一步的去重与冲突消解，恰如基因的 "复制校对与自然选择"—— 淘汰无效、矛盾的片段，留下被验证过的优质基因；与 GraphMemory 的关系化组织相配合，让每一条记忆基因更准、更可信。

MemoryTurbo：把用户感知时延降到最低

"Turbo" 取自汽车工程涡轮增压，MemoryTurbo 借用这一隐喻：前台对话持续产生 "排气"（新增信息），后台飞轮静默旋转将其转化为 "增压"（结构化记忆），多轮交互推动飞轮越转越快 —— 正如涡轮增压器随转速攀升而输出更猛，记忆提取效率也越用越高。配合分层体系，MemoryTurbo 让记忆基因的提取、聚类与沉淀在后台高速运转、用户无感 —— 基因构建因此既快又省。

其关键在于动能解耦：原始对话瞬间写入缓存层向量库即完成更新，记忆提取在后台按算力负载异步调度。配合离心式语义聚类—— 由小模型先按话题合并对话、一组一起提取，既保证连贯、避免语义漂移，又大幅摊销大模型调用次数。

这套方案的核心价值是用户感知时延降低 80%，Token 使用量进一步降低 50% 以上，且提取未完成时缓存层仍可检索，精度不受影响。

Graph Memory：从片段记忆到关系网络，让 Agent 理解 "人、事、物" 的长期关联

在长期交互中，Agent 需要记住的不只是单条事实，还包括事实之间的关系。例如 "用户在做 A 项目""A 项目依赖 B 系统 ""用户上次因为 B 系统延期调整了计划"。如果只把这些信息作为独立文本片段存储，检索时容易只召回局部信息，难以还原完整上下文。Graph Memory 将对话、文档和结构化内容转化为可持续演进的记忆知识图谱，让 Agent 能够沿着实体和关系理解长期记忆。

Graph Memory 将记忆从孤立事实升级为动态关系网络，实现四大价值：一是将 "用户说过什么" 进化为 "人、事、偏好间的关联"，让 Agent 理解长期交互中变化的关系图谱；二是通过实体与关系链路召回上下文，解决纯语义相似度检索的遗漏问题，更完整地回答复杂问题；三是 Episode 保留来源溯源，Entity 和 Relation 沉淀结构化结果，新对话进入后图谱持续合并更新，让长期记忆从静态记录演进为动态知识网络；四是跨会话、跨文档信息组织成关系网络，帮助 Agent 积累客户、项目、问题、方案之间的长期关联，支撑组织级个性化服务与知识复用。

动态 Adapter 层：一种 "不绑定" 的设计哲学

Agent 生态正在快速裂变：新的 Agent 平台层出不穷，记忆引擎也在持续演进。如果记忆系统与任何一方硬绑定，用户要么被锁死在单一框架里，要么每次迁移都要重写集成逻辑 —— 这正是 JiuwenMemory Adapter 层想要消除的痛点。

其核心设计理念是双维度解耦：Plugin 维度面向 Agent 平台，Provider 维度面向记忆引擎。记忆不属于任何一个框架，它是跨平台共享的基础设施。比如用户在 OpenClaw 上积累的对话记忆，可以无缝被各类 Agent 平台直接继承 —— 平台变了，记忆不丢。

更重要的是，这套解耦架构天然面向未来开放。目前 Provider 维度已内置 JiuwenMemory 和 Mem0 两种代表性实现，Plugin 维度已支持 OpenClaw 等主流 Agent 平台 / 应用，未来的扩展都只需实现对应的抽象接口，定义了一个可持续扩展的契约边界，让记忆生态从封闭走向开放。正是这条跨平台通路，让记忆基因得以在不同 Agent、不同平台之间复制与继承。

Swarm Memory：从个体记忆到群体记忆，让 AI 记忆在组织之间实现沉淀与共享

同时，AutoGenetic 记忆引擎在构建基于 Swarm 的群体记忆，是蜂群协作范式重要组成部分。单个 Agent 的记忆再强，也只是一棵孤树；当多个 Agent 协同工作，真正的价值在于让各自的记忆汇入同一片知识森林。每个 Agent 在服务用户时独立积累个体记忆，同时将值得共享的经验、知识与关系网络沉淀至组织级记忆池，供群内所有 Agent 按需共享。新加入的 Agent 不再 "从零起步"，而是直接继承组织已沉淀的领域知识、客户画像与问题解决路径，实现 "一人经验、全员受益"，记忆由此从个体资产升级为组织级数据资产。

实战场景：记忆能力赋能真实业务

快速开始：三步接入 JiuwenMemory

步骤 1：安装

JiuwemMemory 兼容 Windows、Linux、macOS，需要 Python ≥ 3.11 且 < 3.14（建议使用 3.11.4）。

pip install -U JiuwenMemory

按需安装存储后端：

# SQLite 支持

pip install JiuwenMemory [sqlite]

# PostgreSQL 支持

pip install JiuwenMemory [postgres]

# 其他如 MySQL、GaussDB、Redis、ChromaDB 支持

pip install JiuwenMemory [mysql]/[mysql]/[gaussdb]/[redis]/[chromadb]

# 安装所有存储后端

pip install JiuwenMemory [all]

步骤 2：初始化 Provider，配置存储后端和 Embedding 模型，注册到 Agent 系统。

步骤 3：Agent 自动使用记忆能力—— 对话开始预检索记忆，对话结束生成记忆，用户查询可主动检索记忆，无需修改 Agent 核心逻辑。

JiuwenMemory 实测

场景 1：以下发邮件的记忆场景，其实就是 JiuwenSwarm 搭载 JiuwenMemory 后的实测结果。在没有任何显式指令的情况下，Agent 主动从对话中提取了联系人信息、用户身份、收件人偏好、项目关键数据，并按类型分层写入；跨会话后正确调用了收件人邮箱、以用户身份落款，并保留了符合对方偏好的表达，全程无需用户重复提供任何信息。

场景 2： 搭载 Dreaming 记忆能力后的真实实测演示。在全程无任何显式指令要求的前提下，用户与 Agent 自由聊天沟通，交流内容围绕个人困惑、个人兴趣两大核心展开。对话过程中，Agent 自动触发 Dreaming 记忆提取、归纳与合并能力，全程无需用户手动标注、总结信息。

Agent 自主梳理完整聊天记录，智能甄别对话中的有效个人信息，精准提炼用户真实困惑、兴趣偏好、个人特质等核心内容，对碎片化、口语化的对话内容进行规整整合、去重合并，形成结构化的用户专属记忆。整个过程全自动完成，无需用户重复阐述个人情况，实现自然对话场景下的智能记忆沉淀与信息归档。

从 "信息存储" 到 "自主生长"

Agent 记忆的上一轮竞赛围绕 "能不能记住" 展开，如今各团队在底层存储与召回上已趋于一致；新的焦点正在转移：记下来的是什么、能不能自主生长

当记忆只是 "存下来", 它就是一堆被动等待检索的原始数据，会膨胀、会矛盾、会淹没关键信息；

只有当它能像基因一样可复制、可共享、可进化，才真正 "活" 了起来

这正是 AutoGenetic Memory 名字里的答案 ——把每一条记忆都当作一段会自主生长的基因片段来对待

• AutoDreaming 与 GraphMemory 像基因的校对与关系化组织，淘汰无效与矛盾、留下被验证的优质片段，让记忆基因更准；
• 分层记忆体系与 MemoryTurbo 让基因按需构建、高速沉淀，避免冗余与等待，让基因构建更高效；
• Swarm 群体记忆让记忆基因跨 Agent 复制、在群体中重组与遗传，沉淀为组织级的 "记忆基因库"。

从被动的 "信息存储" 到 "自主生长"，从个人记忆到组织记忆沉淀，AutoGenetic Memory 想做的，是把 Agent 记忆从一项 "功能" 重构为一种 "核心数据资产"，助力打造真正认识你、记得你、越用越懂你的智能 Agent。

相关资源

• openJiuwen 官网：https://www.openjiuwen.com/
• JiuwenMemory 代码仓：https://gitcode.com/openJiuwen/agent-memory/

文中视频链接：https://mp.weixin.qq.com/s/loIZliLAfYr4z2eedjmX1w