Berryxia（Berry 小跟班的作者）分享了一段 Agent 记忆升级的完整实战记录。核心问题很普遍：Agent 能帮你做事，但做完就忘，下次还要重新教。
传统记忆的四大痛点
Bloome Agent 默认的记忆方案靠 MEMORY.md、每日日志和用户画像文件。用久了会发现：
-
记的是结论，不是过程——只保存"生成了一张图"，没有保存"为什么这样做、遇到什么问题、下次如何更快"。经验无法积累。
-
没有反馈闭环，缺乏主动性——用户说"这个不对"，记下来了，但不会自动影响下次决策。学习是单向的。
-
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？"无法快速回答。
-
无法跨 Session 复用——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。
根源只有一个：它在"存"，不在"学"。
MemOS：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。核心思路是**"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：
L1 Trace（执行轨迹）——第一次部署 Docker 环境，记下每一步：用了什么命令、返回什么报错、怎么解决的、这条经验值多少分。这是原材料。
L2 Policy（策略归纳）——部署了三次类似环境后，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）——记住：我是谁、常用技术栈是什么、项目当前什么状态、有哪些工具可用。这是"背景知识"，不用每次重新问。
Skill（结晶化技能）——"Docker 部署"的 Policy 被反复验证有效，最终结晶成可直接调用的 Skill。下次说"帮我部署一个新服务"，不用从头推导，直接调用 Skill。经验从线凝成了工具。
安装：一行命令
MemOS Local Plugin 2.0 目前支持 Hermes Agent 和 OpenClaw/Bloome，开源免费。
Hermes Agent（推荐新手）：
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
bash <(curl -fsSL https://memos-claw.openmem.net/install.sh) --agent hermes
Bloome Agent（OpenClaw 模式）：
bash /tmp/memos_install.sh --agent openclaw
装完后通过浏览器打开 http://127.0.0.1:18800 查看记忆全貌。
云端沙箱的 Viewer 访问问题
Bloome 用户或云端沙箱会遇到 Memory Viewer 跑在 127.0.0.1:18799、本地浏览器打不开的问题。解法是用 ngrok 内网穿透：
/tmp/ngrok config add-authtoken YOUR_TOKEN
/tmp/ngrok http 18799 --log=stdout &
ngrok 会生成公网地址，本地浏览器直接打开即可。
历史记忆迁移
已有的 MEMORY.md 和日志文件不会丢失。通过 Python 脚本批量写入 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认知资产。迁移完成后，World Model 页面能看到项目状态和工具配置，Traces 页面里历史记录全部入库。
实时 Trace：让每次任务留下可复用记忆
Bloome Agent 走 IM 通道，不经过 OpenClaw CLI 的 hook 机制，所以 MemOS 无法自动拦截所有对话。解法是：Agent 每次完成重要任务后，主动调用 push_trace() 函数，将"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 小跟班的判断标准：
- 🔴 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
升级前后的核心差异
升级前：让 Agent 写技术文档，改了几处说"风格不对，要更口语化"。意见记在 MEMORY.md 里。下次写文档，又从零开始——上次的修改意见躺在文件里，但不会主动去读、去用。
升级后：同样的场景。反馈被写入 Trace，自动归因到"文档撰写"任务类型。下次再写文档，先调出相关 Policy："用户偏好口语化风格，避免学术腔"，直接按这个方向写。不用再说一遍。
这就是从"记了但不用"到"记了就会用"的区别。
跨 Agent 记忆共享
MemOS 2.0 最令人兴奋的能力之一是跨 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。
基于 Hub-Client 架构：
- Hub Agent 作为记忆中心，监听特定端口
- Client Agent 通过公网地址连接 Hub，使用相同的 teamToken
- 共享效果：两个 Agent 的 Trace 合并、Skills 互相可见、World Model 共享、记忆越用越丰富
Hub 的端口需要通过 Cloudflare Tunnel 等工具暴露到公网：
cloudflared tunnel --url http://localhost:18912
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。
MemOS Local Plugin 2.0 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。