🏷️ MemOS

这应该是目前最接近正解的 Agent 记忆方案

文章探讨了现有 Agent 记忆方案的局限性，即仅是“搜旧聊天”而非真正的学习。作者介绍了 MemOS Local Plugin，它通过 Reflect2Evolve 机制，从对话中自动提炼策略和技能。实测显示，它能跨 Session 应用写作偏好并积累经验，代表了从“存规则”到“学策略”的进步。

从「帮我做」到「做完记住」：Agent 记忆升级实录

本文记录了作者将 MemOS 2.0 本地插件集成到 Bloome Agent 的实战过程。通过引入「执行即学习」的记忆操作系统，解决了传统 Agent 仅依赖上下文窗口导致记忆丢失和经验无法积累的痛点。文章详细解析了 MemOS 的四层认知资产架构、云端沙箱的部署踩坑解决方案（如 ngrok 内网穿透）、历史记忆的迁移方法，以及跨 Agent 记忆共享的配置，展示了 AI 助手如何从被动工具进化为具备主动记忆能力的智能体。

MemOS —— 给Hermes打造永续记忆

文章探讨了如何利用 MemOS 插件为 Hermes Agent 构建长期记忆系统。作者指出，单纯的模型能力不足以支撑持续成长的 Agent，关键在于记忆的组织与沉淀。MemOS 通过全量写入、语义切块、去重合并、混合检索及任务归纳等机制，将对话转化为结构化的经验记录，并配合可视化面板实现了记忆的本地化管理。这使得 Hermes 能够记住用户习惯与上下文，从“一次性工具”进化为“越用越顺手”的生产力系统。

Hermes-Agent vs 自建OpenClaw Harness：Agent操作系统的记忆与架构实战对比

文章基于 Harness Engineering 三大支柱（评估闭环、架构约束、记忆治理），深度对比了 Nous Research 的 Hermes-Agent 与作者基于 OpenClaw 自建的 MemOS 系统。Hermes 主打“有界热记忆 + CLI 优先”，适合个人快速启动；自建方案则采用“无界记忆 + Hook 机制强制捕获”，实现多 Agent 协作与权限隔离，适合团队长期积累。

多Agent协同方案：让OpenClaw学会团队合作

文章介绍了如何利用 OpenClaw 搭建一套多 Agent 协同工作流。通过设置“小龙虾”、“码力”、“笔锋”和“谋士”四个专精 Agent，并配合 MemOS 共享记忆系统，实现了各司其职、成本优化与质量提升的平衡。作者分享了架构设计、搭建过程、实战数据及踩坑经验，展示了多 Agent 协作在实际任务流转中的高效价值。

Agent 记忆：一篇讲透，小白也能看懂

文章以通俗易懂的比喻，深入浅出地讲解了 AI Agent 的记忆机制。通过对比 OpenClaw 社区的三种记忆方案（扔掉旧笔记的压缩方案、分层档案馆方案、以及 MemOS 按需检索方案），揭示了如何解决 AI“健忘”的问题。重点介绍了 MemOS 如何通过全量记录、按需检索和技能进化，大幅降低 Token 消耗并提升开发效率。