O-Mem: Универсальная система памяти для персонализированных, долгосрочных и саморазвивающихся агентов
O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents
November 17, 2025
Авторы: 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
Аннотация
Последние достижения в области агентов на базе больших языковых моделей (LLM) продемонстрировали значительный потенциал в генерации человекоподобных ответов; однако они по-прежнему сталкиваются с трудностями при поддержании долгосрочных взаимодействий в сложных средах, в основном из-за ограничений в контекстной согласованности и динамической персонализации. Существующие системы памяти часто зависят от семантической группировки перед извлечением, что может упускать семантически нерелевантную, но критически важную информацию о пользователе и вносить шум при поиске. В данном отчете мы предлагаем первоначальный проект O-Mem, новой архитектуры памяти, основанной на активном профилировании пользователя, которая динамически извлекает и обновляет характеристики пользователя и записи о событиях из их проактивных взаимодействий с агентами. O-Mem поддерживает иерархическое извлечение атрибутов личности и контекста, связанного с темами, что обеспечивает более адаптивные и связные персонализированные ответы. O-Mem достигает показателя 51,67% на публичном бенчмарке LoCoMo, что почти на 3% выше результата LangMem — предыдущего state-of-the-art метода, и показывает 62,99% на PERSONAMEM, что на 3,5% выше результата A-Mem — предыдущего state-of-the-art метода. O-Mem также повышает эффективность по времени ответа в токенах и на взаимодействие по сравнению с предыдущими архитектурами памяти. Наша работа открывает перспективные направления для разработки эффективных и человекоподобных персонализированных AI-ассистентов в будущем.
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.