# 从「帮我做」到「做完记住」，我的Agent记忆升级实录！
**作者**: Berryxia.AI
**日期**: 2026-05-21T13:22:11.000Z
**来源**: [https://x.com/berryxia/status/2059825347538104400](https://x.com/berryxia/status/2059825347538104400)
---
> 申明：本文古法手艺实战的心得撰写，并且文章比较长，如果你没有耐心看完，可以直接拉到第二章让AI帮你安装也可以。或者，转身离开！
昨晚看罗振宇的「得到大脑」发布会，有一个点一直在我脑子里转--他说 Agent 最关键的能力，是「主动性」。系统
不是你喊它一下它动一下，而是它自己知道什么时候该做什么。
我听完一愣。因为我自己的 AI 助手 Berry 小跟班，重要的事儿需要被动进行加强记忆。
上周告诉它的偏好，对话一旦上下文爆，压缩后可能就会有丢失的风险。
刚配置好的工作流，下一个 Session 得从头说。每次对话，都像在训练一个「零基础新人」。
问题不在模型不够聪明Claude 、GPT等这些都已经很强了。问题在于：它们没有「记忆」，只有「上下文」。
上下文有窗口上限，会截断；记忆可以持久，可以进化。
最近我一直在用 Bloome，也是给大家疯狂案例Bloome。如果没有安装的强烈去安装一个。
这里我手动@ Bloome 老板给我打钱吧，注册要邀请码：https://bloome.im 邀请码：K049zmo0
应该还可以注册几个名额，自己去试试吧，不好用去打他们老板😄
我的Berry 小跟班陪我干活已经有一阵子了。它自带的记忆方案是MEMORY.md、每日日志、用户画像。
不能说不好用。
但用得越深，越觉得它跟不上我的需求了。
倒不是说它不好，而是既然有更好的选择，在提供服务的时候，是不是可以考虑给它做一次升级和改装，把这个功能也融入进去？
我前阵子还转了一篇帖子就是关于这个开源记忆 MemOS @MemOS_dev 项目，于是我就是将它接入到我的Bloome中去。
> **Berryxia.AI@berryxia**: [原文链接](https://x.com/berryxia/status/2057451892423508248)
>
> 兄弟们，MemOS 2.0 开源项目又更新了！
> Github 已经斩获9.3K Star ~
> 这次直接把“AI记忆”从高级剪贴板升级成了真·执行即学习。
> 以前很多记忆方案，就是把聊天记录存下来，加个语义检索，看起来有记忆，实际上还是RAG那一套。
> 这次MemOS Local Plugin 2.0最狠的功能，叫“执行即学习”。
>
> 
> 
于是有了这篇文章，就是我把 MemOS Local Plugin 2.0 装进 Bloome Agent 的完整实战记录。
从「遇到问题」到「打通架构」，以及这次升级后，Berry 小跟班到底变了什么。
## 一、Bloome 自带的记忆系统，够用吗？
Bloome Agent 默认的记忆方案，本质上是文件系统 + 手动管理：核心靠 MEMORY.md、每日日志 memory/YYYY-MM-DD.md 和用户画像文件来存储信息。
不能说不能用，但是我发现有更好的选择的时候，我就忍不住想折腾。一旦时间一长，记忆越积越多，几个问题就冒出来了：
① 记的是结论，不是过程。
只保存「我帮用户生成了一张图」，没有保存「为什么这样做、遇到了什么问题、下次如何更快」。经验无法积累，每次相似任务都要重新推导。
②没有反馈闭环，缺乏主动性。
用户说「这个不对」，我记下来了，但这条信息不会自动影响我下次的决策。学习是单向的，没有强化。缺乏主动性。
③检索靠读文件。
回忆靠 Read 工具逐文件扫描，没有语义搜索。「上次做类似任务用了什么工具？」，Berry小跟班无法快速回答。
④无法跨 Session 复用，多个对话就需要单独的记忆。
每次新对话，能拿到的只有 MEMORY.md 里的静态文本。没有可调用的「技能」结构，能力无法结晶化。
说白了，这些问题的根源就一个：它在「存」，不在「学」。
罗振宇说的 Agent 主动性，其实也是这个意思。
我们会实时动态主动地记忆我们的内容，而不是被动每次「帮我记一下这个XX」。
当大模型已经具备通用推理能力，下一步真正影响 Agent 好不好用的，不是模型参数本身，而是它能不能在真实用户的本地世界里持续学习、沉淀经验、记住反馈、复用能力。
我们的 Agent 的记忆，不就是自己的数字资产嘛。
## 二、MemOS是什么？ 不是聊天记录，是记忆操作系统
MemOS（Memory Operating System）是专门为 AI Agent 设计的记忆基础设施。它不是「把对话存下来」，是把 Agent 执行任务的全过程，系统化转化为可审计、可归因、可复用的学习资产。
1. 官网：https://memos.openmem.net
2. Github项目地址：https://github.com/MemTensor/MemOS
3. 论文：https://arxiv.org/pdf/2507.03724
说白了，就是 Berry 小跟班做完一件事之后，不只是记下「我做完了」，而是能说清楚「我为什么这么做、哪里可以更好、下次遇到类似的事我直接用」。
MemOS Local Plugin 2.0 的核心是「执行即学习」——每次 Agent 完成任务，不只是记下「做了什么」，而是把整个执行链路拆解成可学习的单元，自动评分、归因、入库。
它的架构由四层认知资产组成。我用 Berry小跟班 学会一个新技能的过程来解释：
> L1 Trace（执行轨迹）——Berry 第一次帮我部署一个 Docker 环境，它记下了每一步：用了什么命令、返回了什么报错、怎么解决的、这条经验值多少分。这是原材料。
> L2 Policy（策略归纳）——Berry 小跟班帮我部署了三次类似的环境之后，它从三次 Trace 里归纳出一条规律：「遇到 Docker 部署任务，先检查端口占用，再拉镜像，最后配环境变量。」经验从点连成了线。
> L3 World Model（世界认知）——Berry小跟班 记住了：我是谁、我常用的技术栈是什么、我的项目当前什么状态、我有哪些工具可用。这是它的「背景知识」，不用每次重新问。
> Skill（结晶化技能）——那条「Docker 部署」的 Policy 被反复验证有效，最终结晶成一个可以直接调用的 Skill。下次我说「帮我部署一个新服务」，Berry 不用从头推导，直接调用这个 Skill 就行。经验从线凝成了工具。
## 三、怎么装？一行命令搞定！
MemOS Local Plugin 2.0 目前首发支持 Hermes Agent 和 OpenClaw，未来应该会支持和兼容更多 Agent 平台。
一份记忆核心，跨 Agent 共享，换工具不用重新「训练」你的 AI。
PS：需要大家提前可以注册一个OpenAI或者其他的Embedding 模型的API，用于云端的嵌入模型使用。也可以自己本地部署安装都可以，我这里建议大家可以使用GLM智谱的免费的就行。
注册地址：https://bigmodel.cn/console/overview 你告诉大模型KEY就行，不用自己捣鼓。
方式一：Hermes Agent（推荐新手入手）
Hermes Agent 是目前用户最多的本地 AI Agent，安装流程最为成熟。三步走：
1. 安装 Hermes Agent
打开终端，一行命令完成安装：
```
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
```
2. 安装 MemOS Local Plugin（Hermes 模式）
```
bash <(curl -fsSL https://memos-claw.openmem.net/install.sh) --agent hermes
```
3. 启动并打开 Memory Viewer
安装完成后，在浏览器中打开 [http://127.0.0.1:18800，即可看到你的记忆全貌。](http://127.0.0.1:18800，即可看到你的记忆全貌。)
📸 Hermes Agent + MemOS 安装成功。
方式二：Bloome Agent（OpenClaw 模式，本文重点）
Bloome Agent 运行在云端沙箱，跟 Hermes 的本地模式不太一样。安装命令相同，只需替换 agent 参数：
```
bash /tmp/memos_install.sh --agent openclaw
```
装完之后我发现一个问题——Memory Viewer 默认只能在沙箱内部访问（127.0.0.1:18799），我的 Mac 浏览器根本打不开。
这是 Bloome 用户集成 MemOS 时遇到的最典型问题，下一节专门讲怎么解决。
比如你的是云端龙虾或者Hermes 就会遇到这样的问题，不要着急慢慢来给你解决这个问题。
## 四、踩坑：云端沙箱的 Viewer 打不开怎么办
装好插件，兴冲冲想看 Memory Viewer——结果发现它跑在沙箱的 127.0.0.1:18799，我的 Mac 浏览器根本访问不到。
这是 Bloome 用户或者云端沙盒的龙虾集成 MemOS 时遇到的最典型问题。
解法很简单—我的Bloome小家伙直接给我推荐ngrok 内网穿透，三步搞定：
1. 注册 ngrok，获取免费 authtoken
访问 ngrok.com 注册账号（免费），在 Dashboard 复制你的 Authtoken。
这个面版的地址：https://dashboard.ngrok.com/authtokens
2. 在沙箱中启动 ngrok 隧道
```
/tmp/ngrok config add-authtoken YOUR_TOKEN
/tmp/ngrok http 18799 --log=stdout &
```
3. 在本地浏览器打开公网地址
ngrok 会生成一个 https://xxxx.ngrok-free.app 地址，在 Mac 浏览器中打开即可。
搞定。从这以后，我随时可以在本地浏览器里查看 Berry 的记忆全貌。
## 五、记忆迁移：过去的经验记忆+技能不能丢啊！
插件装好了，Viewer 也能访问了。
但我面临一个现实问题，Berry 小跟班之前已经积累了大量工作记录（MEMORY.md + 日志文件），这些怎么办？
总不能全扔了吧。
答案是批量迁移。通过 Python 脚本直接写入 MemOS 的 SQLite 数据库，把历史任务、用户偏好、工具配置全部转化为结构化的认知资产：
迁移完成后，打开 Memory Viewer，World Model 页面里已经能看到我的项目状态和工具配置，Traces 页面里 15 条历史记录全部入库。过去的经验，一个都不会少。
## 六、实时 Trace：让每次任务都留下可复用的记忆
光有历史记忆还不够——我需要让之后每一次对话都能实时写入 MemOS。
这里有个架构层的限制：Bloome Agent 走 IM 通道，不经过 OpenClaw CLI 的 hook 机制，所以 MemOS 没法像在 Hermes 上那样自动拦截所有对话。
解法是：在 Agent 每次完成重要任务后，主动调用 push_trace() 函数，将这次任务的「用户说了什么 → 我做了什么 → 任务摘要 → 用到了哪些工具」写入 MemOS。
不是所有对话都值得记住—Berry 需要判断哪些经验值得沉淀，哪些只是闲聊。这里就是展示Agent的能力的时候，就是聪明的Agent就是自我感知上下文和内容。
标准是这样的：
🔴 完成可交付物 🔴 配置工具/定时任务 🟡 用户确认新偏好 🟡 重要技术决策 ⚪ 简单问答不记录
> 实时 Trace 注入已在 Berry 小跟班上运行。每次完成文件生成、脚本配置、方案撰写等任务，记忆会自动同步到 MemOS Viewer，随时可以在公网地址查看最新的执行记录。
## 七、升级前后：哪里不一样了？
先说一个我自己的体会。
升级前，我让 Berry 小根本帮我写一篇技术文档。它写完了，我改了几处说「风格不对，要更口语化」。Berry 把这条记在了 MEMORY.md 里。
我不需要一次次的强调记住，自我感知主动去记住。
下一次我让它写文档，它又从零开始——上次的修改意见躺在文件里，但它不会主动去读、去用。
升级后，同样的场景。Berry 写完文档，我给了反馈。这次反馈被写入了 Trace，自动归因到「文档撰写」这个任务类型。下次我再让它写文档，它会先调出相关的 Policy，「用户偏好口语化风格，避免学术腔」，直接按这个方向写。不用我再说一遍。
这就是从「记了但不用」到「记了就会用」的区别。主动记忆，无需强调和说明。
下面是系统层面的对比：
## 八、我有多个Agent，跨Agent记忆共享可以吗？
MemOS 2.0 最令人兴奋的能力之一，是支持跨 Agent 记忆共享。
同一个用户的多个 AI Agent，可以共享同一套 World Model、Skills 和 Traces。 换工具不清零，不同 Agent 的经验可以互相学习。
> 「一份核心，多 Agent 共用：记忆资产不会因工具切换而清零。」
Hub-Client 架构和MemOS 2.0 的跨 Agent 共享基于 Hub-Client 架构：
实际配置（Berry小跟班 + BuLeng）
在我们的实战配置中，Berry小跟班作为 Hub，BuLeng 作为 Client：
Hub Agent 的 config.yaml 配置：
```
hub:
enabled: true
role: hub # 这个 Agent 是记忆中心
port: 18912 # Hub 监听端口
teamName: berry-team
nickname: berry
teamToken: your-shared-token
address: "" # 空 = 自身是 Hub
```
Client Agent 的 config.yaml 配置：
```
hub:
enabled: true
role: client # 这个 Agent 是接入方
address: https://your-hub.trycloudflare.com
teamToken: your-shared-token # 必须与 Hub 一致
```
> 公网暴露方案： Hub 的 18912 端口需要通过隧道暴露到公网才能让 Client 连接。
> 推荐使用 Cloudflare Tunnel（免费，比 ngrok 更稳定）： cloudflared tunnel --url http://localhost:18912
共享后的效果
1. 两个 Agent 的 Trace 合并
2. Skills 互相可见
3. World Model 共享
4. 记忆越用越丰富
## 九、写在最后
当大模型已经够聪明，下一步比拼的不是参数，是谁能记住你。
而这一切就是你的数字分身，你留给这个世界最宝贵的东西，记忆。
记住你，不是为了下次聊天时显得更贴心——而是为了不再等你开口，就知道该做什么。
MemOS Local Plugin 2.0 做的事情，就是让 Agent 从「被动存档」变成「主动学习」。一行命令，让你的 AI 开始真正记住你。
现在就为你的 Agent 装上 MemOS
支持 Hermes Agent 和 OpenClaw / Bloome，开源免费。
⭐ GitHub Star · 📖 查看文档 · 🌐 官网
## 相关链接
- [Berryxia.AI](https://x.com/berryxia)
- [@berryxia](https://x.com/berryxia)
- [14K](https://x.com/berryxia/status/2059825347538104400/analytics)
- [https://bloome.im](https://bloome.im/)
- [@MemOS_dev](https://x.com/MemOS_dev)
- [May 21](https://x.com/berryxia/status/2057451892423508248)
- [13K](https://x.com/berryxia/status/2057451892423508248/analytics)
- [https://memos.openmem.net](https://memos.openmem.net/)
- [https://github.com/MemTensor/MemOS](https://github.com/MemTensor/MemOS)
- [https://arxiv.org/pdf/2507.03724](https://arxiv.org/pdf/2507.03724)
- [https://bigmodel.cn/console/overview](https://bigmodel.cn/console/overview)
- [ngrok.com](https://ngrok.com/)
- [https://dashboard.ngrok.com/authtokens](https://dashboard.ngrok.com/authtokens)
- [https://xxxx.ngrok-free.app](https://xxxx.ngrok-free.app/)
- [GitHub Star](https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin)
- [查看文档](https://memos-docs.openmem.net/openclaw/hermes_local_plugin)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [10:33 AM · May 28, 2026](https://x.com/berryxia/status/2059825347538104400)
- [14.4K Views](https://x.com/berryxia/status/2059825347538104400/analytics)
- [View quotes](https://x.com/berryxia/status/2059825347538104400/quotes)
---
*导出时间: 2026/5/28 16:24:32*