O-Mem : Système de Mémoire Omni pour des Agents Personnalisés, à Long Horizon et Auto-Évolutifs
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
Les progrès récents des agents pilotés par des LLM ont démontré un potentiel significatif pour générer des réponses semblables à celles d'un humain ; cependant, ils continuent de rencontrer des difficultés à maintenir des interactions à long terme dans des environnements complexes, principalement en raison de limitations dans la cohérence contextuelle et la personnalisation dynamique. Les systèmes de mémoire existants reposent souvent sur un regroupement sémantique avant la récupération, ce qui peut négliger des informations utilisateur critiques bien que sémantiquement non pertinentes et introduire du bruit lors de la récupération. Dans ce rapport, nous proposons la conception initiale d'O-Mem, un nouveau cadre de mémoire basé sur le profilage actif de l'utilisateur, qui extrait et met à jour dynamiquement les caractéristiques des utilisateurs et les enregistrements d'événements à partir de leurs interactions proactives avec les agents. O-Mem prend en charge une récupération hiérarchique des attributs de persona et du contexte lié aux sujets, permettant des réponses personnalisées plus adaptatives et cohérentes. O-Mem atteint 51,67 % sur le benchmark public LoCoMo, une amélioration de près de 3 % par rapport à LangMem, l'état de l'art précédent, et il atteint 62,99 % sur PERSONAMEM, une amélioration de 3,5 % par rapport à A-Mem, l'état de l'art précédent. O-Mem améliore également l'efficacité du temps de réponse par token et par interaction par rapport aux cadres de mémoire précédents. Notre travail ouvre des perspectives prometteuses pour le développement futur d'assistants IA personnalisés efficaces et humanoïdes.
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.