O-Mem：パーソナライズされた長期視野の自己進化エージェントのためのオムニメモリシステム
O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents
November 17, 2025
著者: 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
要旨
大規模言語モデルを活用したエージェントの最近の進展は、人間らしい応答の生成において大きな可能性を示しているが、複雑な環境下での長期的な対話の維持には、文脈的一貫性と動的パーソナライゼーションの限界から、依然として課題が残っている。既存のメモリシステムは、検索前に意味的なグループ化に依存する傾向があり、意味的には無関係だが重要なユーザー情報を見落としたり、検索ノイズを導入したりする可能性がある。本報告では、能動的ユーザープロファイリングに基づく新しいメモリフレームワーク「O-Mem」の初期設計を提案する。O-Memは、ユーザーがエージェントと能動的に交わる過程から、ユーザー特性とイベント記録を動的に抽出・更新する。O-Memは、人物属性とトピック関連文脈の階層的検索をサポートし、より適応的で一貫性のあるパーソナライズ応答を実現する。O-Memは、公開ベンチマークLoCoMoで51.67%、従来の最高性能モデルであるLangMemを約3%上回り、PERSONAMEMでは62.99%を達成し、従来の最高性能モデルA-Memを3.5%上回った。また、O-Memは従来のメモリフレームワークと比較して、トークンおよび対話応答時間の効率性も向上させている。本研究は、効率的で人間らしいパーソナライズAIアシスタントの開発に向けた有望な方向性を開くものである。
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.