O-Mem: Omni-Gedächtnissystem für personalisierte, langfristig agierende und sich selbst weiterentwickelnde Agenten
O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents
November 17, 2025
papers.authors: Piaohong Wang, Motong Tian, Jiaxian Li, Yuan Liang, Yuqing Wang, Qianben Chen, Tiannan Wang, Zhicong Lu, Jiawei Ma, Yuchen Eleanor Jiang, Wangchunshu Zhou
cs.AI
papers.abstract
Jüngste Fortschritte bei agentenbasierten LLM-Systemen haben ein erhebliches Potenzial für die Generierung menschenähnlicher Antworten gezeigt; dennoch bestehen weiterhin Herausforderungen bei der Aufrechterhaltung langfristiger Interaktionen in komplexen Umgebungen, hauptsächlich aufgrund von Einschränkungen in der kontextuellen Konsistenz und dynamischen Personalisierung. Bestehende Gedächtnissysteme sind oft von semantischer Gruppierung vor dem Abruf abhängig, was semantisch irrelevante, aber kritische Benutzerinformationen übersehen und Abruffehler verursachen kann. In diesem Bericht stellen wir den initialen Entwurf von O-Mem vor, einem neuartigen Gedächtnisframework basierend auf aktiver Benutzerprofilierung, das dynamisch Benutzereigenschaften und Ereignisaufzeichnungen aus deren proaktiven Interaktionen mit Agenten extrahiert und aktualisiert. O-Mem unterstützt hierarchisches Abrufen von Personenattributen und themenbezogenem Kontext, was adaptivere und kohärentere personalisierte Antworten ermöglicht. O-Mem erzielt 51,67 % auf dem öffentlichen LoCoMo-Benchmark, eine Verbesserung von fast 3 % gegenüber LangMem, dem vorherigen State-of-the-Art, und erreicht 62,99 % auf PERSONAMEM, eine Steigerung von 3,5 % gegenüber A-Mem, dem vorherigen State-of-the-Art. O-Mem verbessert zudem die Token- und Interaktionsantwortzeiteffizienz im Vergleich zu früheren Gedächtnisframeworks. Unsere Arbeit eröffnet vielversprechende Richtungen für die Entwicklung effizienter und menschenähnlicher personalisierter KI-Assistenten in der Zukunft.
English
Recent advancements in LLM-powered agents have demonstrated significant potential in generating human-like responses; however, they continue to face challenges in maintaining long-term interactions within complex environments, primarily due to limitations in contextual consistency and dynamic personalization. Existing memory systems often depend on semantic grouping prior to retrieval, which can overlook semantically irrelevant yet critical user information and introduce retrieval noise. In this report, we propose the initial design of O-Mem, a novel memory framework based on active user profiling that dynamically extracts and updates user characteristics and event records from their proactive interactions with agents. O-Mem supports hierarchical retrieval of persona attributes and topic-related context, enabling more adaptive and coherent personalized responses. O-Mem achieves 51.67% on the public LoCoMo benchmark, a nearly 3% improvement upon LangMem,the previous state-of-the-art, and it achieves 62.99% on PERSONAMEM, a 3.5% improvement upon A-Mem,the previous state-of-the-art. O-Mem also boosts token and interaction response time efficiency compared to previous memory frameworks. Our work opens up promising directions for developing efficient and human-like personalized AI assistants in the future.