随着大模型从一次性问答走向持续交互、复杂任务执行与多智能体协作，记忆正在从外挂能力演变为 Agent 长期运行和持续进化的基础设施。MemOS 1.0—2.0 以多种记忆的统一管理和运行态治理为基础，完成了从记忆条目到用户、Agent、任务与 Session 状态的系统演进。
本次分享将重点讨论记忆如何推动 Agent 成长：MSCE 将执行轨迹逐层沉淀为可验证技能，PHASE-Tree 让角色状态在长期交互中保持身份稳定并持续变化；进一步结合以 Metis 为代表的记忆原生模型，探索如何让高频记忆状态和记忆操作参与模型前向。由此讨论下一代记忆系统的统一形态：记忆原生模型负责高密度、低延迟的模型内执行，外置记忆系统负责长期记忆、证据链、技能与角色状态的版本化治理，二者通过统一调度实现准入、同步、冲突处理、回退与重建。

演讲提纲：

1. MemOS 1.0→2.0——从记忆管理到经验沉淀
   • 多用户、多应用、多 Agent、多任务、多 Session 带来的记忆复杂度
   • MemOS 1.0：参数、激活与明文记忆的统一抽象及全生命周期管理
   • MemOS 2.0：将用户、Agent、任务、Session 与反馈纳入可更新、可追踪的运行态
   • 从记忆存取与治理到经验积累与复用，引出技能形成和角色演进
2. MSCE——从执行经验到可验证技能
   • 被动召回不等于学习，原始轨迹不能直接等同于技能
   • Trace Evidence、Policy、Environmental Cognition 的分层沉淀
   • 反思加权 Value Backfill：融合终局反馈与步骤反思，改善价值归因
   • 在不更新基座模型参数的前提下，以证据、收益和稳定性门控技能生成、调用、修复、迁移与归档
3. PHASE-Tree——从交互经历到可演化角色
   • 静态 Persona 的状态滞后、跨会话不一致与人格漂移
   • Identity、Persona、Session、Moment 的多时间尺度角色状态骨架
   • Resistance–Evidence–Cooldown 门控与单字段渐进更新
   • 保持身份连续性，让关系、立场、情绪与偏好随长期交互持续演化
4. 下一代记忆系统——MemOS × Metis 的统一记忆架构
   • 两类记忆的职责边界：外置持久记忆负责长期保存，模型内生状态负责持续更新
   • MemOS：组织长期记忆与持久数据，提供检索、共享、版本化与治理
   • Metis：通过 Native Memory State 与 Native Memory Procedure 驱动模型内记忆动态更新
   • 统一调度与生命周期：记忆提取、状态写入、稳定变化回写，以及同步、冲突、失效与回退

实践痛点：

• 长期运行的 Agent 会持续产生轨迹、反馈、技能和角色状态，信息粒度异构，反馈又稀疏且含噪，导致价值归因、经验筛选和技能边界判断困难。
• 依赖辅助大模型会增加推理成本、时延和提示敏感性。
• 外置记忆与模型内生记忆也分别面临召回开销、容量限制、遗忘污染和治理割裂等问题，尚缺少统一的准入、同步、失效与回退机制。

内容前沿亮点：

• 以 MemOS 的外置持久记忆和 Metis 代表的记忆原生模型为基础，探索“长期记忆系统＋模型内生动态状态”的统一 Memory OS。
• MSCE 通过 Trace Evidence、Policy、Environmental Cognition 分层，结合反思加权 Value Backfill 和证据—收益—稳定性门控，将执行经验转化为可验证技能。
• PHASE-Tree 通过多时间尺度状态与渐进更新，让长期角色在保持身份稳定的同时持续演化。

听众收益：

• 理解记忆系统从统一管理、运行态到 Agent 自主进化的演进路径，掌握经验沉淀为技能、交互经历塑造角色的关键方法；
• 理解 MemOS 与记忆原生模型的职责边界，能够设计统一的混合 Memory OS，并从效果、成本、时延、可靠性和安全等维度评估落地方案。