O-Mem: Omni Geheugensysteem voor Gepersonaliseerde, Lange-Termijn, Zelf-Evoluerende Agenten
O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents
November 17, 2025
Auteurs: 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
Samenvatting
Recente vooruitgang in door LLM aangedreven agents heeft aanzienlijk potentieel getoond voor het genereren van mensachtige reacties; ze blijven echter uitdagingen ondervinden bij het volhouden van langdurige interacties in complexe omgevingen, voornamelijk door beperkingen in contextuele consistentie en dynamische personalisatie. Bestaande geheugensystemen zijn vaak afhankelijk van semantische groepering vóór retrievel, wat semantisch irrelevante maar cruciale gebruikersinformatie kan negeren en retrievelruis kan introduceren. In dit rapport presenteren we het initiële ontwerp van O-Mem, een nieuw geheugenraamwerk gebaseerd op actieve gebruikersprofilering dat dynamisch gebruikerskenmerken en gebeurtenisregistraties extraheert en bijwerkt uit hun proactieve interacties met agents. O-Mem ondersteunt hiërarchische retrievel van persona-attributen en onderwerpgerelateerde context, wat adaptievere en coherentere gepersonaliseerde reacties mogelijk maakt. O-Mem behaalt 51,67% op de publieke LoCoMo-benchmark, een verbetering van bijna 3% ten opzichte van LangMem, het vorige state-of-the-art systeem, en het behaalt 62,99% op PERSONAMEM, een verbetering van 3,5% ten opzichte van A-Mem, het vorige state-of-the-art systeem. O-Mem verbetert ook de efficiëntie van de responstijd per token en interactie in vergelijking met eerdere geheugenraamwerken. Ons werk opent veelbelovende richtingen voor de ontwikkeling van efficiënte en mensachtige gepersonaliseerde AI-assistenten in de toekomst.
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.