Huawei Noah ra mắt MindMemOS: Bước tiến mới giúp AI có trí nhớ dài hạn và khả năng tự học

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

03-08-2026 10:51:33 Nguồn: QbitAI

MindMemOS: Lớp vận hành bộ nhớ có khả năng di chuyển và tự tiến hóa dành cho AI Agent

Yunzhong, đưa tin từ QbitAI | Tài khoản chính thức QbitAI

Năng lực của các AI Agent ngày càng mạnh mẽ, nhưng trải nghiệm sử dụng vẫn tồn tại một điểm bất cập:

Mỗi khi đổi sang một Agent mới hoặc thậm chí là một phiên làm việc (session) mới, cảm giác như bạn đang phải làm việc với một nhân viên mới hoàn toàn không hiểu gì về bạn.

Các tùy chọn ưu tiên của người dùng, bối cảnh dự án và những kinh nghiệm "xương máu" không thể chuyển đổi, buộc bạn phải giải thích lại từ đầu và "đào tạo lại" Agent mới từ con số không.

Thách thức thực sự không chỉ nằm ở việc "có bộ nhớ hay không", mà còn ở bốn khía cạnh:

Vì lý do đó, Phòng thí nghiệm Noah's Ark của Huawei đã ra mắt MindMemOS, lớp vận hành bộ nhớ có khả năng di chuyển và tự tiến hóa dành cho AI Agent:

Nó tách biệt bộ nhớ ra khỏi từng Agent riêng lẻ;

Mô hình hóa bộ nhớ theo cấu trúc ba chiều gồm thực thể, thuộc tính và thời gian, giúp lưu trữ đồng thời trạng thái mới nhất và quỹ đạo tiến hóa hoàn chỉnh;

Thông qua chế độ bộ nhớ MindSchema để thiết lập trước các quy tắc trích xuất bộ nhớ, hoặc thực hiện các chiến lược trích xuất tiến hóa ngoại tuyến xoay quanh các nhiệm vụ và bộ câu hỏi được gắn nhãn;

Feedback khai thác các phản hồi mang tính chỉnh sửa ẩn ý của người dùng, từ đó chọn lọc củng cố hoặc hạ cấp bộ nhớ hiện có, nhằm nâng cao độ tin cậy của bộ nhớ và sự nhất quán với ý định của người dùng.

Dreaming thực hiện củng cố bộ nhớ ngoại tuyến, giải quyết các xung đột và liên tục cải thiện chất lượng bộ nhớ.

Điều mà MindMemOS muốn giải quyết không chỉ là "làm thế nào để Agent ghi nhớ", mà là làm sao để bộ nhớ có thể mang theo được, hệ thống làm sao biết cần ghi nhớ những gì, và bộ nhớ cùng hệ thống bộ nhớ sẽ cùng nhau tiến hóa như thế nào.

Kết quả mang lại còn trực quan hơn:

Địa chỉ dự án: https://github.com/mindscale-noah/MindMemOS Trang web dự án: https://mindmemos.cn

△ MindMemOS tách biệt việc kết nối Agent, thuật toán bộ nhớ và cấu trúc bộ nhớ nền tảng, đồng thời tích hợp tối ưu hóa chất lượng và Skill Evolution (tiến hóa kỹ năng) vào cùng một hệ thống.

Tái thiết thế giới trong bộ nhớ bằng "Thực thể - Thuộc tính - Thời gian"

MindMemOS trước hết thay đổi cách tổ chức cơ bản của bộ nhớ.

Các giải pháp truyền thống thường lưu trữ bộ nhớ dưới dạng các đoạn văn bản hoặc khối vector. Trong khi đó, MindMemOS sử dụng cấu trúc ba chiều để mô tả luồng thông tin trong thế giới mở:

△ Mỗi mẩu bộ nhớ đều có thể được định vị vào tọa độ duy nhất là "Thực thể, Thuộc tính, Thời gian", đồng thời bảo toàn các mối quan hệ thực thể và quỹ đạo tiến hóa của thuộc tính.

Điều này tương đương với việc không còn coi "người dùng trước đây thích X" và "người dùng hiện tại chuyển sang dùng Y" là hai đoạn văn bản không liên quan, mà đặt chúng vào cùng một trục thời gian của cùng một thực thể và thuộc tính.

Các thực thể có thể thiết lập mối liên kết ngữ nghĩa, và sự tiến hóa của mỗi thuộc tính cũng có thể được theo dõi.

Trên nền tảng đó, MindMemOS cung cấp hai lộ trình tạo bộ nhớ bổ trợ cho nhau.

Một là chế độ MindVanilla.

Chế độ này không phụ thuộc vào các mẫu mô hình hóa định sẵn, có thể tiếp nhận hội thoại, văn bản và quỹ đạo thực thi công cụ, phù hợp để đưa thông tin miền mở vào kho bộ nhớ thống nhất một cách nhanh chóng.

Lộ trình còn lại là chế độ MindSchema.

Hệ thống trước tiên quy định các thực thể và thuộc tính cần chú trọng trong lĩnh vực hiện tại thông qua mô hình hóa thực thể, sau đó hoàn tất việc phân đoạn chủ đề, tạo bộ nhớ cấp thuộc tính, hợp nhất các thực thể tương đương và hợp nhất cấu trúc đồ thị.

Các kịch bản khác nhau có thể điều chỉnh các quy tắc trích xuất bộ nhớ, giúp cùng một hệ thống thích ứng với các nhiệm vụ khác nhau mà không cần phải viết lại toàn bộ cơ sở hạ tầng bộ nhớ.

Khi truy xuất, MindMemOS không chỉ thực hiện khớp độ tương đồng vector đơn thuần.

Nó thiết kế một bộ Compact Search (Tìm kiếm rút gọn):

Nói một cách đơn giản, hệ thống không chỉ tìm kiếm "đoạn văn giống câu hỏi nhất", mà tìm kiếm con đường ngắn nhất và bao quát thông tin đầy đủ nhất trong đồ thị bộ nhớ để đi đến câu trả lời.

Dreaming: Để Agent sắp xếp lại bộ nhớ trong "thời gian rảnh"

Con người không lưu giữ vĩnh viễn mọi chi tiết. Chúng ta sẽ hợp nhất các thông tin trùng lặp, loại bỏ các nhận định lỗi thời trong quá trình hồi tưởng, và hình thành những nhận thức trừu tượng hơn từ nhiều trải nghiệm.

Ngành công nghệ gọi quá trình tương tự là Dreaming.

Dreaming thực hiện ở giai đoạn ngoại tuyến, bắt đầu từ các bộ nhớ chưa được sắp xếp, mở rộng phạm vi cục bộ xoay quanh các thực thể liên quan, xác định các nội dung trùng lặp, xung đột và mối quan hệ tiến hóa, sau đó tạo ra các thao tác cụ thể: hợp nhất nội dung dư thừa, lưu trữ các bộ nhớ cũ đã bị thay thế bởi sự thật mới, bổ sung mối quan hệ hoặc khám phá các mô hình bậc cao hơn.