GAIR Paper 113 | Mi-Memory：让个人AI拥有可审计的生命周期记忆

一份面向人车家全场景记忆的技术报告

作者丨小米 Darwin Agent Team

编辑丨齐铖湧

当个人 AI 从聊天窗口走向手机、汽车、家居、可穿戴设备、摄像头和各类工具，记忆就不再只是“保存几轮对话”的缓存。真正可用的个人 AI，需要长期理解用户状态，知道信息来自哪里，能在多设备证据之间建立联系，也能在用户纠正后更新、回滚或遗忘。

问题也随之变得更复杂：如果车机、手机日历、家庭摄像头和历史偏好同时参与一次回答，AI 应该如何判断哪些证据可信？如果回答错了，系统能否定位是感知遗漏、融合失败、检索没命中，还是生成阶段出错？如果记忆策略要升级，又如何避免“悄悄改坏”？

小米 Darwin Agent Team 提出的Mi-Memory，正是面向个人 AI 的生命周期记忆框架。它把记忆从单一检索模块提升为可审计、可演化、可部署的基础设施：围绕Structure（结构）、Expansion（扩展）、Evolution（演化）、Deployment（部署）四个角色，打通从证据进入、结构化存储、诊断改进到轻量化落地的完整链路。

• 项目名称：Mi-Memory: A Lifecycle Memory Framework for Personal AI

• 论文地址：https://arxiv.org/abs/2607.18975

• 项目主页：https://darwin-agent.github.io/Mi-Memory/

▎Mi-Memory 的核心亮点在于：

1. 用 MemStack 建立多粒度、可追踪的长期记忆结构；

2. 用 MemSense 与 MemFuse 将图像、多设备事件和跨场景因果证据纳入记忆；

3. 用 D²ACCI 与 E²MEND 将诊断、策略修改、验证、回滚纳入受控演化流程；

4. 用 LiteMem 验证同一套记忆系统能否迁移到更轻量、仓库原生、边缘友好的部署形态。

01

从“聊天记录缓存”到

“生命周期记忆基础设施”

传统对话记忆往往把历史内容压缩成文本片段，再通过相似度检索塞回上下文。这种方式能解决一部分连续问答问题，却难以支撑个人AI 的长期服务：用户偏好、家庭成员关系、设备状态、视觉线索、纠错记录和遗忘请求，都会在不同时间、不同设备、不同模态中出现。

Mi-Memory 的设计起点是：记忆不应该只是 RAG 组件，而应该是个人 AI 的连续性与治理底座。它需要保存事实、摘要、画像和技能，也要保留证据来源、时间戳、设备身份、检索路径、上下文组装过程以及后续策略变更记录。

在 Structure 层，MemStack 将记忆组织为可复用的多粒度状态：原子事实用于精确定位，摘要用于长期压缩，用户画像用于稳定偏好，技能/流程类记忆用于把历史经验转化为可再次调用的行为。与黑盒式记忆不同，MemStack同时保留阶段级诊断痕迹，让系统能看到一条记忆是如何被写入、检索、过滤、组装并最终影响回答的。

这使个人 AI 的记忆从“内容堆积”变成“可审计运行时”：当回答正确时，系统知道依据来自哪里；当回答错误时，系统也能定位失败发生在哪个阶段。对于长期陪伴、家庭场景、车家互联和隐私敏感任务，这种可追踪性比单次命中率更关键。

02
让记忆接入真实世界证据

个人 AI 面对的不是单一聊天记录，而是一个持续变化的现实环境。以报告中的“人-车-家训练交接”场景为例：家长开车送孩子去篮球训练，手机日历记录了训练时间，车机导航判断是否还能折返回家，家庭摄像头显示训练包可能还在门口。此时用户问车载助手：“出发前有什么需要检查的吗？”

如果系统只看当前对话，最多给出泛泛的训练清单；如果系统能把摄像头画面、日历事件、车辆路径和历史纠错融合成同一条证据链，它就能给出更具体、更可解释的提醒：训练包可能还在家门口，按当前路线折返是否仍能准时到达，以及哪些装备无需重复提醒。

Mi-Memory 用 MemSense 和 MemFuse 负责这类 Evidence Expansion。MemSense 侧重将视觉和多模态输入转换为可进入记忆系统的证据，避免图片只停留在一次性上下文里；MemFuse 则面向异步、多设备事件，把车、家、手机、可穿戴等来源中的片段连接为同一场景或因果链。

在这个过程中，Mi-Memory 不只是把更多数据塞进记忆，而是强调 typed evidence payload：每条证据都要保留来源、时间、设备、置信度和可追溯身份。这样，个人AI 才能在“知道什么”的同时，也知道“为什么知道”和“从哪里知道”。

下面两张图可以直接作为扩展模块的视觉说明，分别对应证据接入与会话图谱组织方式。

03

让记忆可以被诊断、验证和受控演化

记忆系统最危险的问题，不只是忘记，而是无声地记错、改坏或过度泛化。用户纠正一次回答后，系统究竟应该新增事实、修改检索策略、调整过滤规则，还是回滚某个策略？如果每次都靠工程师手工改prompt 或调阈值，个人AI 的记忆很难长期稳定进化。

Mi-Memory 将演化过程拆成两层：D²ACCI 提供人类可介入的诊断闭环，E²MEND 自动化其中可重复的策略更新部分。系统先利用诊断 trace 判断失败类型，再提出候选策略修改，通过 gate 验证是否接受，并保留 rollback 记录，确保每次改动都有边界、有证据、可撤销。

这套机制的关键不是“自动调参”，而是把记忆策略升级变成可审计工程流程。策略不再是藏在代码里的隐式改动，而是显式 artifact：包括修改动机、影响范围、验证结果、拒绝原因和回滚键。对于真实产品系统而言，这种治理能力决定了记忆能否长期迭代，而不是在一次次局部优化中积累不可解释风险。

04

从云端完整框架到轻量化部署

个人 AI 的记忆系统并不总能依赖重型云端服务。许多场景对隐私、成本、延迟和设备侧可用性有更强约束：有些记忆需要留在本地，有些任务需要离线或边缘运行，有些用户希望能直接查看和编辑自己的记忆文件。

因此，Mi-Memory 还提出 LiteMem，验证同一套记忆原则能否迁移到仓库原生的轻量形态。LiteMem 使用 Markdown/Git 风格的记忆文件、目录结构和历史记录，让记忆保持可读、可编辑、可追踪，并通过文件工具完成轻量检索与上下文组装。

它并不试图替代完整记忆基础设施，而是回答一个部署问题：当专业记忆服务不可用或不适合时，哪些核心契约仍然可以保留下来？LiteMem 在LoCoMo 评测中达到 90.81%，并保留了完整 MemStack 相对无记忆基线约 90.0% 的性能增益，说明即使采用更轻量的本地记忆形态，生命周期记忆的核心能力仍可保留。

05

实验结果与证据边界

Mi-Memory 没有把所有模块包装成单一排行榜，而是按生命周期角色分别给出证据，并明确每类结果的适用边界。这一点很重要：结构、扩展、演化和部署解决的是不同问题，不能简单用一个数字概括。

在 Structure 评测中，MemStack 作为受控参考运行时，在 LoCoMo、PersonaMem-V2、LongMemEval 上分别达到93.59% / 57.24% / 87.47%。这些结果用于说明多粒度记忆结构和诊断trace 能在统一harness 下保持竞争力，而不是宣称跨所有外部系统的绝对榜首。

在 Expansion 评测中，MemSense 在 Mem-Gallery 上达到89.15%平均judge accuracy，用于验证多模态长期对话记忆中的证据接入能力；MemFuse在内部MemFuseBench 上达到35.2%，相比 mem0@20 提升+4.7pp，作为跨设备因果融合的初步证据。

在 Evolution 评测中，D²ACCI / E²MEND 在 LoCoMo 评测中，将记忆系统准确率从 75.58% 提升到 94.74%，展示了 traceable、gate-bounded 策略修改的价值。报告也特别说明，这一结果不应与前面的MemStack 结构锚点直接混比。

在 Deployment 评测中，LiteMem在LoCoMo上达到90.81%分数，证明仓库原生轻量记忆具备迁移可行性，但尚不构成大规模部署或极限上下文场景下的完整结论。

注：这张表格参考首页 index.html 的结果摘要，将四个 lifecycle 角色横向呈现；各指标证据等级不同，不能简单视为同一排行榜。

06

总结

Mi-Memory 的意义，不只是为个人 AI 增加一套长期记忆模块，而是重新定义了“记忆”在个人 AI 系统中的位置：它应该是连接用户状态、真实世界证据、策略治理和部署约束的基础设施。

当 AI 需要长期陪伴用户、跨设备理解场景、接受纠错并持续改进时，记忆系统必须回答四个问题：记住什么，证据从哪里来，如何安全更新，以及能否在真实部署条件下运行。Mi-Memory用Structure、Expansion、Evolution、Deployment 四个角色给出了一套可落地的工程框架，也用 typed evidence、diagnostic traces、strategy artifacts、gate/rollback records 建立了贯穿生命周期的审计契约。

这传递出一个清晰信号：下一代个人 AI 的上限，不只取决于模型本身有多强，也取决于它是否拥有可追踪、可纠正、可演化、可部署的记忆基础设施。当记忆从对话缓存走向生命周期系统，个人AI 才真正有机会从“会回答问题”走向“持续理解用户”。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。