网站域名到期后果产品推广计划方案
1 MemoryOs
论文链接：https://arxiv.org/abs/2506.06326
项目地址：https://github.com/BAI-LAB/MemoryOS
北邮百家 AI 团队重磅推出首个大模型记忆操作系统开源框架 MemoryOS。巧妙融合计算机操作系统原理与人脑分层记忆机制，构建段页式三级存储架构及四大核心模块（存储、更新、检索、生成），提供全链路用户记忆管理方案，让 AI 智能体拥有持久「记性」与深度「个性」
1.1 记忆分层：
STM:短期记忆，时间流，query, time, response三元组, 记录最近会话中的每一次对话，单位是「对话页」，每一页都含有用户提问、AI答复、时间戳，以及自动生成的“上下文摘要”，保证对话语境的延续性。
MTM:中期记忆，仿照操作系统的段页式结构，将多页对话按“语义话题”打包成段（segment）。系统通过计算对话页与段落之间的语义相似度 Fscore（结合词向量余弦与关键词 Jaccard 相似度）来聚合相关对话，确保段内主题清晰、内容连贯。
LTM：长期记忆，这是AI自我意识的一部分，包含两大分支：
1）用户画像：不仅记录静态信息（如姓名、出生年），还动态维护知识库（User KB）和兴趣画像（User Traits），高达90维度。
2）AI画像：包含系统设定角色（如“助理”或“顾问”）和互动演化的行为偏好（Agent Traits），形成一致的人设和行为风格。
这一层级结构不仅模仿了人类记忆的分层机制，也引入操作系统式“分段管理”理念，使AI能区分“即刻对话”、“常谈话题”与“长期偏好”。
1.2 记忆更新 —— 记忆不是堆叠，而是过滤
STM → MTM：采用先进先出（FIFO）队列逻辑。当STM满员，最早的对话页自动转移至MTM，这保证了短期记忆永远聚焦“当前话题”。
MTM → LPM：更为复杂。系统计算每个段的热度分数（Heat），由访问频次（Nvisit）、内容丰富度（Linteraction，对话页面的总数）、最近使用程度（Rrecency，时间衰减系数，当前段上次重新检索时间以来的持续时间）共同决定。公式如下：
当段落热度高于设定阈值，说明它对用户具有持续价值，此时系统将其提取并更新进用户偏好（Traits）与知识库（KB）中。反之，低热度段则被优雅地“遗忘”或回收。
1.3 记忆检索：两阶段：首先识别段，然后检索相关对话页面。
STM 提供最近对话背景，直接使用；
MTM 则要经过“双阶段检索”：先从所有段中选出最相关的若干段（基于Fscore），再在段内挑选最相关的对话页。
LPM 检索用户画像中的语义匹配特征，尤其是动态特征和偏好，找到与当前问题最贴近的历史线索。
最后，它将LPM的个人属性和STM的上下文信息相结合，生成响应，整合用于生成响应的所有相关存储器。
1.4 流程图
1.5 评测方法
GVD（General Virtual Dialogue）：模拟15位虚拟用户在10天内与AI进行多轮对话的过程，每天涵盖多个主题。这更像我们日常的“连续使用情境”，检验模型对日常信息的长期保留与更新能力。
LoCoMo Benchmark：被誉为“长对话记忆炼金炉”。每组对话平均长达300轮、包含近9,000个Token，专为检测LLMs在超长交互下的记忆保持力而设计。问题被细分为四类：单跳、 多跳、 时间性推理和开放式提问，极具挑战性。
在评估方式上，团队设置了多维指标。
GVD 使用记忆检索准确率（Acc）、回答正确率（Corr）、上下文连贯性（Cohe）三项打分；
LoCoMo 则采用标准的 F1和 BLEU-1指标，衡量语义精确度与语言生成质量。