O-Mem: Sistema de Memória Ômni para Agentes Personalizados, de Longo Horizonte e 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
Resumo
Os recentes avanços em agentes baseados em LLM demonstraram um potencial significativo na geração de respostas semelhantes às humanas; no entanto, eles continuam a enfrentar desafios na manutenção de interações de longo prazo em ambientes complexos, principalmente devido a limitações na consistência contextual e na personalização dinâmica. Os sistemas de memória existentes frequentemente dependem de agrupamento semântico antes da recuperação, o que pode negligenciar informações críticas do usuário semanticamente irrelevantes e introduzir ruído na recuperação. Neste relatório, propomos o design inicial do O-Mem, uma nova estrutura de memória baseada na criação ativa de perfis de usuário que extrai e atualiza dinamicamente características do usuário e registros de eventos a partir de suas interações proativas com os agentes. O O-Mem suporta a recuperação hierárquica de atributos de persona e contextos relacionados a tópicos, permitindo respostas personalizadas mais adaptáveis e coerentes. O O-Mem alcança 51,67% no benchmark público LoCoMo, uma melhoria de quase 3% em relação ao LangMem, o estado da arte anterior, e atinge 62,99% no PERSONAMEM, uma melhoria de 3,5% em relação ao A-Mem, o estado da arte anterior. O O-Mem também aumenta a eficiência do tempo de resposta de tokens e interação em comparação com estruturas de memória anteriores. Nosso trabalho abre direções promissoras para o desenvolvimento de assistentes de IA personalizados eficientes e humanizados no 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.