记忆生产
记忆生产模块将原始消息或事件转化为可存储、可检索的记忆单元，作为MemOS全流程的起点。
1. 能力介绍：为什么要将原始消息加工为记忆
在 MemOS 里，你提交的是 原始信息（用户与 AI 的对话、用户在APP上的操作日志 / 行动轨迹等），系统会自动完成“记忆化”的过程。
为什么要进行记忆加工？
如果只是简单地把原始对话全部保存，再次使用时直接丢给大模型，会出现几个问题：
- 上下文过长：原始消息往往冗长、重复，把整段上下文都传给模型既低效，又浪费 Token；
- 检索不精准：没有加工的原始文本难以快速定位关键信息，检索往往会召回大量噪音；
- 调用成本高：直接拼接原始消息会显著增加模型输入长度，带来 Token 成本和延迟。
加工后有什么不同？
MemOS 会把原始消息转化为结构化记忆单元，自动提炼：
- 关键事实：如“用户在旅行时通常是全家出游（带孩子和父母）”；
- 任务线索：提炼出用户的目标意图，比如“规划一次家庭旅游”，而不仅仅是“暑假出去玩”。
- 用户偏好：
- 不仅是显式表述（“我喜欢全家出游”），还包括隐含的推理范式。
- 例如，如果用户在 让AI给10 篇文章评分过程中，展现出“偏向逻辑清晰的写法”，那么在未来的 20 篇文章评分任务中，MemOS 会保留这种偏好模式，引导模型保持一致性；
这样一来：
- 检索更快更准：直接定位到事实 / 偏好 / 任务，而不是一整段原始消息。
- 调用更高效：拼接给大模型时只需传递精炼记忆，减少 Token 消耗。
- 体验更稳定：模型能持续保持对用户习惯的理解，不会因上下文丢失而偏离。
例子：
User：我想暑假出去玩，你能帮我推荐下吗？
AI：好的！是自己出行还是和家人朋友一起呢？
User：肯定要带孩子啊，我们家出门都是全家一起。
AI：明白了，所以你们是父母带孩子一块儿旅行，对吗？
User：对，带上孩子和老人，一般都是全家行动。
AI：收到，那我会帮你推荐适合家庭出游的目的地。
记忆：用户在旅行时通常是全家出游（带孩子和父母）
元数据：时间戳=2025-06-10，来源=对话A……
对你来说，这意味着：只要存原始对话，不必自己写“关键词提取”或“意图识别”的逻辑，就能得到可被长期调用的用户偏好。
2. 进阶：如果你想做深度定制
在 MemOS 中，记忆生产是将原始输入加工为可调度、可检索的记忆单元的全过程。具体的流水线细节（如抽取方式、嵌入模型、存储后端）会随着版本和社区实践不断演进——因此，本节不提供固定的唯一流程，而是说明 可扩展的环节，你可以根据需求在这些位置上动手。
| 可扩展点举例 | 默认行为 | 可定制方式 |
|---|---|---|
| 抽取与结构化 | 默认会生成 MemoryItem（包含内容、时间戳、来源等） | 可以替换抽取模型或模板，或在 schema 中增加领域字段 |
| 切分与嵌入 | 系统会对长文本切分并送入嵌入模型 | 可以调整切分粒度，或替换为更适合的 embedding 模型（如 bge、e5） |
| 存储后端 | 默认使用向量数据库（如 Qdrant） | 可切换为图数据库，或混合使用两者 |
| 合并与治理 | 系统会自动处理重复与冲突 | 可以编写自定义规则（如时间优先、来源优先），或增加治理逻辑（去重、过滤等） |
3. 下一步行动
了解MemOS更多核心能力
4. 联系我们
