O-Mem: Sistema di Memoria Onnicomprensivo per Agenti Personalizzati, a Lungo Orizzonte e Auto-Evolutivi
O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents
November 17, 2025
Autori: 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
Abstract
I recenti progressi negli agenti basati su LLM hanno dimostrato un potenziale significativo nella generazione di risposte simili a quelle umane; tuttavia, continuano ad affrontare sfide nel mantenere interazioni a lungo termine in ambienti complessi, principalmente a causa di limitazioni nella coerenza contestuale e nella personalizzazione dinamica. I sistemi di memoria esistenti spesso dipendono dal raggruppamento semantico prima del recupero, il che può trascurare informazioni critiche dell'utente semanticamente irrilevanti e introdurre rumore nel recupero. In questo rapporto, proponiamo il progetto iniziale di O-Mem, un nuovo framework di memoria basato sulla profilazione attiva dell'utente che estrae e aggiorna dinamicamente le caratteristiche dell'utente e i record degli eventi dalle loro interazioni proattive con gli agenti. O-Mem supporta il recupero gerarchico degli attributi della persona e del contesto relativo agli argomenti, consentendo risposte personalizzate più adattive e coerenti. O-Mem raggiunge il 51,67% sul benchmark pubblico LoCoMo, un miglioramento di quasi il 3% rispetto a LangMem, il precedente stato dell'arte, e ottiene il 62,99% su PERSONAMEM, un miglioramento del 3,5% rispetto a A-Mem, il precedente stato dell'arte. O-Mem migliora anche l'efficienza del tempo di risposta dei token e dell'interazione rispetto ai precedenti framework di memoria. Il nostro lavoro apre promettenti direzioni per lo sviluppo futuro di assistenti IA personalizzati efficienti e simili a quelli umani.
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.