MemOS 2.0 开源项目更新，GitHub 已获 9.3K Star，新增执行即学习功能与 Memory Viewer。该功能会把 Agent 完成任务的执行过程拆成可学习单元，自动分层提炼为原始轨迹、通用套路、长期世界模型和技能，并由双重反馈机制自动评分，强化有用经验、淡化低效试探。本次更新还支持从 Hermes 和 OpenClaw 无缝迁移，一行命令即可安装。
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”。
它不只记你说过什么，而是当Agent帮你完成任务的时候，把整个执行过程拆成可学习的单元。
哪一步找到了关键线索，哪一步只是低效试探，哪次反思带来了后续成功。
这些经验会自动分层提炼：
最底层是原始轨迹，往上是通用套路，再往上是长期世界模型，最上层变成肌肉记忆的技能。
双重反馈机制自动评分，有用的反复强化，低效的慢慢淡忘。
以前用OpenClaw写工具，第一轮磨出来的代码风格、命名习惯、错误处理方式，换个对话或者过两天基本就丢了，又得从头讲一遍。
现在2.0上线后，第二天新任务，它自己就把上一轮我们一起磨出来的那套写法直接用上了。
这已经不是“记住上下文”了，而是Agent在帮你干活的同时，自动在复盘、提炼、进化。
越用越懂你，越用越像你的专属助手。
这次还支持Hermes和OpenClaw无缝迁移，一行命令就能装，Memory Viewer把整条记忆链路看得清清楚楚。
还是有点意思给Hermes 和OpenClaw 都可以整起来
地址见评论区~~~
MemOS 又有新进展了。 现在搞 AI Memory 的方案不少，但很多还是把聊天记录存下来这个层面，看着像有记忆，实际上就是给 markdown 加了一个语义检索。 @MemOS_dev 做记忆系统已经有一段时间了，从 1.0 一路走到 2.0，现在回头看其实一个共识在慢慢变清晰：下一步真正决定 Agent 好不好用的，已经不是模型参数本身了，是它能不能在你自己的本地世界里，持续学习，沉淀经验，记住反馈，复用能力。 最近 MemOS Local Plugin 2.0 正式上线后，我研究了一下它的新特性。 这次更新我觉得最值得拿来说的功能，叫“执行即学习”。 它不是只存对话，而是当 Agent 在帮你完成任务的时候，把执行过程里那些关键步骤，拆成一个个可学习的单元，再转成可评分、可归因、可复用的认知资产。 换个好理解说法就是，它不只是记得你说过什么，它记得你和 Agent，是怎么一步一步做完一个任务的。 举个我自己最近的体感，用 OpenClaw 写一个小工具，第一轮把代码风格、命名习惯、错误处理写法一条一条说清楚，来回改了三四轮才顺手。 搁以前，换个对话或者过两天再来，这些东西基本就丢了，又得从头再讲一遍，这次 2.0 用上之后，第二天起新任务，它自己就把上一轮我们磨出来的那套写法直接用上了。 下面挨个说说这次更新的新特性：⬇️ github.com/MemTensor/MemOS/t…在 X 查看被引用的帖子
来源：@berryxia · x.com