O-Mem: Sistema de Memoria Omni para Agentes Personalizados, de Horizonte Largo y Autoevolutivos
O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents
November 17, 2025
Autores: 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
Resumen
Los recientes avances en agentes impulsados por LLM han demostrado un potencial significativo para generar respuestas similares a las humanas; sin embargo, siguen enfrentando desafíos para mantener interacciones a largo plazo en entornos complejos, principalmente debido a limitaciones en la consistencia contextual y la personalización dinámica. Los sistemas de memoria existentes a menudo dependen de agrupaciones semánticas previas a la recuperación, lo que puede pasar por alto información crítica del usuario semánticamente irrelevante e introducir ruido en la recuperación. En este informe, proponemos el diseño inicial de O-Mem, un novedoso marco de memoria basado en la creación activa de perfiles de usuario que extrae y actualiza dinámicamente las características del usuario y los registros de eventos a partir de sus interacciones proactivas con los agentes. O-Mem admite la recuperación jerárquica de atributos de personalidad y contexto relacionado con temas, permitiendo respuestas personalizadas más adaptativas y coherentes. O-Mem alcanza un 51,67% en el benchmark público LoCoMo, una mejora de casi el 3% sobre LangMem, el anterior estado del arte, y logra un 62,99% en PERSONAMEM, una mejora del 3,5% sobre A-Mem, el anterior estado del arte. O-Mem también mejora la eficiencia en el tiempo de respuesta de los tokens y de la interacción en comparación con los marcos de memoria anteriores. Nuestro trabajo abre direcciones prometedoras para desarrollar asistentes de IA personalizados eficientes y similares a los humanos en el futuro.
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.