MemOS Local Plugin 2.0 发布了！Hermes 和 OpenClaw 双 Agent 同步支持——从这一版开始，新的 Agent 都将通过本地插件同步支持，共享同一份核心。

1.0 上线三个多月，社区反馈最多的是同一类问题：好不好用容易判断，但 Agent 学到的东西到底对不对、可不可信，没人说得清。

MemOS Local Plugin 2.0 想补的，正是这块缺口——也是大模型与每一个真实用户之间的「最后一公里」。从 1.0 到 2.0，我们把「执行即学习」整条链路按架构重做：让 Agent 在为你做事的同时，把执行链上的每一步——动作、观察、反思、你的反馈——都沉淀为可审计、可归因、可复用的学习信号。

这些信号其实从未缺席。真正决定差距的，从来不是"AI 有没有可学的素材"，而是"这些素材有没有被当作资产，被系统化地沉淀下来"。MemOS Local Plugin 2.0 给出的回答是：让每一次执行都被记住，让每一次反馈都被听懂——让通用大模型在你的世界里，悄悄长成懂你的样子。

本次发布亮点

MemOS Local Plugin 2.0 把 Agent 的每一次执行都变成学习机会 —— 上层「做事」、中层「学习」、下层「沉淀」。

核心变化可以概括成两句话：

第一，执行链开始变成可学习资产。Agent 做任务时的每一步，不再只是临时上下文，而是可以被捕获、评分、归纳、抽象、复用的长期记忆。

第二，反馈不再只停留在「这次做得好不好」。环境给每一步的客观结果，用户给最终任务的主观评价，两层反馈会一起回流到记忆系统里，帮助 Agent 学到既跑得通、又符合你期待的做法。

一、「最后一公里」在解决什么问题

大模型已经学会了互联网上几乎所有公开知识。但你的代码库长什么样、你的目录结构怎么组织、你习惯用哪种命名风格、上次那个 Alpine 容器里装 lxml 踩了什么坑——这些东西，互联网上没有，预训练学不到。

微调？动辄数十 GPU 小时，而你的项目每天都在变，根本来不及。

RAG？解决了「能搜到」的问题，但用户的反馈、踩过的坑、摸索出的捷径——这些经验沉淀不下来，下次还得从头再来。

现有体系下，缺少的不是知识，是一套让 Agent 在执行任务的过程中，自己把每一步都学进去的机制。

这就是我们说的「最后一公里」。

MemOS 的技术路线：

不重新训练大模型，而是在 Agent 执行层架设一套可持续更新的外部学习系统。

大模型负责通用推理，MemOS 负责学习你的本地世界。

二、执行即学习：一条完整的加工流水线

AI 记忆这件事很多时候被简化成「把对话保存下来」。但真实任务不是一段完整对话——一个 Agent 完成任务可能经历 10 到 30 个步骤：查文件、跑命令、读报错、改代码、再跑测试、反思原因、继续调整。

如果只把最终结果存下来，真正有价值的东西会丢掉，比如哪一步找到关键线索？哪一步只是低效试探？哪次反思解释了后续成功的原因？

MemOS Local Plugin 2.0 把执行过程切成更小的原子单元：Agent 每做一件事，背后都有五步加工链在默默运转。

🌰 举个栗子

Agent 在 Alpine 容器里安装某个 Python 包失败。普通记忆可能只会记一句：「Alpine 下安装失败，后来修好了。」

MemOS Local Plugin 2.0 更关心的是中间发生了什么：

Step 1：尝试直接 pip install
观察：编译失败，缺少系统依赖
反思：这不是 Python 包版本问题，更像是 Alpine musl 环境缺少构建工具


Step 2：安装 build-base / libxml2-dev
观察：依赖错误减少，但仍有 C 扩展编译问题
反思：需要进一步确认包对应的原生依赖

这样下次再遇到类似容器构建问题，Agent 不需要重新试一遍，可以直接拿到过去高价值步骤里的判断路径。

三、双层反馈：同时从「环境」与「你」学习

MemOS Local Plugin 2.0 还给记忆的准确性上了一层保险。

Agent 在执行任务时，一般都会有两类反馈：

1. 步级反馈：模型 ↔ 环境

每一步动作执行后，环境会立刻给结果。

2. 任务级反馈：人类 ↔ 模型

环境只能告诉 Agent「跑没跑通」，但很多时候，环境跑通不等于你满意。这时候用户反馈才是最权威的信号。

MemOS Local Plugin 2.0 会把用户的任务级反馈沿着执行链回流到每一步。关键步骤拿到更高权重，低效试探自然衰减。

🌰 举个栗子

你对一次任务说：「整体不错，但中间那种改法别再用了。」普通 memory 可能只记住一句偏好。

MemOS Local Plugin 2.0 会把这句话从执行链开始倒推：哪些步骤支撑了「整体不错」，哪些步骤对应「别再用了」。

这样下次相似场景里，Agent 不只是记得一句话，而是知道：

prefer：优先复用 A 类路径
avoid：避免 B 类改法
scope：只在同类项目结构下触发

四、四层认知资产：学到的东西长什么样

一次任务里的原始轨迹很重要，但只存轨迹还不够。真正有用的记忆，需要从细节里长出结构。

MemOS Local Plugin 2.0 把学习结果沉淀成四层认知资产。

四层不是「分别存几份」。它们是同一份记忆从细到粗的逐级演化——执行时写入 L1，跨任务出共性时归纳为 L2，多策略出规律时抽象为 L3，高频稳定时结晶为 Skill。

Skill 也不是静态模板。它带有可靠度、调用次数、适用边界和生命周期状态——好的 Skill 会因为持续成功而浮起，失效的 Skill 会逐渐被归档。

五、三层按需检索：上下文精打细算

学到东西之后，还有一个更现实的问题：上下文窗口很贵，不能每次都把所有记忆倒进去。

MemOS Local Plugin 2.0 采用三层按需检索。

Tier 1 · Skill 给骨架（任务入口）：新任务进来先匹配 Skill——命中就直接注入 procedure、scope、避坑 规则，一步到位。

Tier 2 · Trace 补细节（执行受阻）：没匹配到 Skill 或遇到 edge case，按价值分召回最相关的历史步骤，给 AI 「上次怎么解决的」。

Tier 3 · 场域认知给背景（同主题任务）：当任务命中某个已有主题画像时，系统会调出 L3 场域认知。

Agent 可以基于已有背景直接规划，跳过重复探索。

六、一份核心，多 Agent 共用

MemOS Local Plugin 2.0 的学习能力不绑定某一个 Agent 框架。

本次发布，Hermes Agent 首发支持，OpenClaw 同步升级。

新的 Agent 接入时，通过轻薄适配器对接契约层，底层共用同一份进化记忆引擎核心。

整套「执行即学习」能力不绑定任何 Agent 框架。架构分四层：

好处不只是「省一份代码」——记忆资产可以跨 Agent 携带。

今天你用 Hermes Agent 攒下的 Skill 和经验，明天接入 OpenClaw 时不用从头再学。这一点对个人用户其实最重要：你的「本地世界」知识不会因为换了一个 Agent 工具就清零。

七、Memory Viewer 大升级：从轨迹捕获到能力沉淀，全部可视化

算法和架构都搞定了，最后一个问题是 —— 这些东西用户怎么看到？MemOS 2.0 本次伴随能力升级新增了 3 个视图，整条链路共计 7 个视图全部放在 Memory Viewer 里：

• 原始记忆视图：每步步级评分的执行复盘，三维评分清晰拆开，关键步骤与无效试错一目了然

• 任务视图（新）：单任务每步动作 / 观察 / 反思的完整记录，出问题排查不再翻聊天记录

• 经验视图（新）：跨任务沉淀的策略库，每条经验带来源任务、增益分、当前状态

• 场域认知视图（新）：主题领域画像，每条认知挂着原始证据，可追溯、可手动修正

• 技能库视图：可靠度、调用次数、生命周期一目了然，支持手动归档

• 系统监控：实时进化事件流 + 全链路审计日志

  

每一个都对应上面算法工程化的核心成果——让每条经验、每个认知、每次评分都可点开看、可手动校验。

---

怎么装

Hermes Agent / OpenClaw 用户，同一条命令上车：

curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh|bash

我们希望 MemOS 2.0 做到的，是让 AI 在跟你的真实交互中持续进化——把通用智能慢慢变成跟你对齐的智能。

最后一公里，从今天开始补。

立即体验

上手文档

https://memos-docs.openmem.net/openclaw/hermes_local_plugin

Github 源码

https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin

---

关于 MemOS

MemOS 为 AI 应用构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。

作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。