MemT 1.0将编程经验写入模型原生记忆 提升Agent稳定性810%

针对AI Agent反复出错却难以通过外部规则根治的问题，MemOS团队于10月20日推出MemT 1.0模型，尝试从模型底层重构记忆机制。该方案摒弃传统依赖CLAUDE.md规则文件或RAG检索的“外挂式记忆”，转而将经验直接写入模型原生记忆模块（MemTensor）。技术路径包括：从4万余条真实编程轨迹中提炼1040条可复用经验条目；在关键执行节点动态召回；最终通过特定机制将经验内化为推理过程中的自然调用行为。实测显示，在修复Django日期解析Bug等任务中，携带经验的Agent能自发完成“写复现测试→修改→边界检查→二次修正”闭环，全程无需外部提示。在SWE-bench Verified（500个真实GitHub问题）测试中，其pass^3（3次全对）指标较基线提升8–10个百分点，而pass@3无显著变化，表明模型能力未扩展但稳定性显著增强。资源层面，经验存储独立于对话上下文，推理时仅激活相关记忆向量，长对话场景下速度与显存占用优于同等规模RAG模型。开源一周GitHub下载近10万次，反映业界对“内生记忆”路径的高度关注。该方案呼应OpenAI、Anthropic近期对模型对齐与可靠性的反思，聚焦企业落地中“能做但不稳定”的核心痛点，强调“让模型变靠谱”而非单纯提升智能。当前局限在于领域聚焦编程、经验依赖高质量数据、泛化能力待验证，但其推动AI从“查阅手册”转向“形成习惯”的思路具启发性。