本文经原作者授权转载，版权归原作者所有。原作者：Berryxia.AI（@berryxia）。
申明：本文古法手艺实战的心得撰写，并且文章比较长，如果你没有耐心看完，可以直接拉到第二章让AI帮你安装也可以。或者，转身离开！
昨晚看罗振宇的「得到大脑」发布会，有一个点一直在我脑子里转--他说 Agent 最关键的能力，是「主动性」。系统
不是你喊它一下它动一下，而是它自己知道什么时候该做什么。
我听完一愣。因为我自己的 AI 助手 Berry 小跟班，重要的事儿需要被动进行加强记忆。
上周告诉它的偏好，对话一旦上下文爆，压缩后可能就会有丢失的风险。
刚配置好的工作流，下一个 Session 得从头说。每次对话，都像在训练一个「零基础新人」。
问题不在模型不够聪明Claude 、GPT等这些都已经很强了。问题在于：它们没有「记忆」，只有「上下文」。
上下文有窗口上限，会截断；记忆可以持久，可以进化。
最近我一直在用 Bloome，也是给大家疯狂案例Bloome。如果没有安装的强烈去安装一个。
这里我手动@ Bloome 老板给我打钱吧，注册要邀请码：https://bloome.im 邀请码：K049zmo0
应该还可以注册几个名额，自己去试试吧，不好用去打他们老板😄
我的Berry 小跟班陪我干活已经有一阵子了。它自带的记忆方案是MEMORY.md、每日日志、用户画像。
不能说不好用。
但用得越深，越觉得它跟不上我的需求了。
倒不是说它不好，而是既然有更好的选择，在提供服务的时候，是不是可以考虑给它做一次升级和改装，把这个功能也融入进去？
我前阵子还转了一篇帖子就是关于这个开源记忆 MemOS @MemOS_dev 项目，于是我就是将它接入到我的Bloome中去。
于是有了这篇文章，就是我把 MemOS Local Plugin 2.0 装进 Bloome Agent 的完整实战记录。
从「遇到问题」到「打通架构」，以及这次升级后，Berry 小跟班到底变了什么。
一、Bloome 自带的记忆系统，够用吗？
Bloome Agent 默认的记忆方案，本质上是文件系统 + 手动管理：核心靠 MEMORY.md、每日日志 memory/YYYY-MM-DD.md 和用户画像文件来存储信息。
不能说不能用，但是我发现有更好的选择的时候，我就忍不住想折腾。一旦时间一长，记忆越积越多，几个问题就冒出来了：
① 记的是结论，不是过程。
只保存「我帮用户生成了一张图」，没有保存「为什么这样做、遇到了什么问题、下次如何更快」。经验无法积累，每次相似任务都要重新推导。
②没有反馈闭环，缺乏主动性。
用户说「这个不对」，我记下来了，但这条信息不会自动影响我下次的决策。学习是单向的，没有强化。缺乏主动性。
③检索靠读文件。
回忆靠 Read 工具逐文件扫描，没有语义搜索。「上次做类似任务用了什么工具？」，Berry小跟班无法快速回答。
④无法跨 Session 复用，多个对话就需要单独的记忆。
每次新对话，能拿到的只有 MEMORY.md 里的静态文本。没有可调用的「技能」结构，能力无法结晶化。
说白了，这些问题的根源就一个：它在「存」，不在「学」。
罗振宇说的 Agent 主动性，其实也是这个意思。
我们会实时动态主动地记忆我们的内容，而不是被动每次「帮我记一下这个XX」。
当大模型已经具备通用推理能力，下一步真正影响 Agent 好不好用的，不是模型参数本身，而是它能不能在真实用户的本地世界里持续学习、沉淀经验、记住反馈、复用能力。
我们的 Agent 的记忆，不就是自己的数字资产嘛。
二、MemOS是什么？ 不是聊天记录，是记忆操作系统
MemOS（Memory Operating System）是专门为 AI Agent 设计的记忆基础设施。它不是「把对话存下来」，是把 Agent 执行任务的全过程，系统化转化为可审计、可归因、可复用的学习资产。
- 官网：https://memos.openmem.net
- Github项目地址：https://github.com/MemTensor/MemOS
- 论文：https://arxiv.org/pdf/2507.03724
说白了，就是 Berry 小跟班做完一件事之后，不只是记下「我做完了」，而是能说清楚「我为什么这么做、哪里可以更好、下次遇到类似的事我直接用」。
MemOS Local Plugin 2.0 的核心是「执行即学习」——每次 Agent 完成任务，不只是记下「做了什么」，而是把整个执行链路拆解成可学习的单元，自动评分、归因、入库。
它的架构由四层认知资产组成。我用 Berry小跟班 学会一个新技能的过程来解释：
L1 Trace（执行轨迹）——Berry 第一次帮我部署一个 Docker 环境，它记下了每一步：用了什么命令、返回了什么报错、怎么解决的、这条经验值多少分。这是原材料。
L2 Policy（策略归纳）——Berry 小跟班帮我部署了三次类似的环境之后，它从三次 Trace 里归纳出一条规律：「遇到 Docker 部署任务，先检查端口占用，再拉镜像，最后配环境变量。」经验从点连成了线。
L3 World Model（世界认知）——Berry小跟班 记住了：我是谁、我常用的技术栈是什么、我的项目当前什么状态、我有哪些工具可用。这是它的「背景知识」，不用每次重新问。
Skill（结晶化技能）——那条「Docker 部署」的 Policy 被反复验证有效，最终结晶成一个可以直接调用的 Skill。下次我说「帮我部署一个新服务」，Berry 不用从头推导，直接调用这个 Skill 就行。经验从线凝成了工具。
三、怎么装？一行命令搞定！
MemOS Local Plugin 2.0 目前首发支持 Hermes Agent 和 OpenClaw，未来应该会支持和兼容更多 Agent 平台。
一份记忆核心，跨 Agent 共享，换工具不用重新「训练」你的 AI。
PS：需要大家提前可以注册一个OpenAI或者其他的Embedding 模型的API，用于云端的嵌入模型使用。也可以自己本地部署安装都可以，我这里建议大家可以使用GLM智谱的免费的就行。
注册地址：https://bigmodel.cn/console/overview 你告诉大模型KEY就行，不用自己捣鼓。
方式一：Hermes Agent（推荐新手入手）
Hermes Agent 是目前用户最多的本地 AI Agent，安装流程最为成熟。三步走：
1. 安装 Hermes Agent
打开终端，一行命令完成安装：
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash2. 安装 MemOS Local Plugin（Hermes 模式）
bash <(curl -fsSL https://memos-claw.openmem.net/install.sh) --agent hermes3. 启动并打开 Memory Viewer
安装完成后，在浏览器中打开 [http://127.0.0.1:18800，即可看到你的记忆全貌。](http://127.0.0.1:18800，即可看到你的记忆全貌。)
📸 Hermes Agent + MemOS 安装成功。
方式二：Bloome Agent（OpenClaw 模式，本文重点）
Bloome Agent 运行在云端沙箱，跟 Hermes 的本地模式不太一样。安装命令相同，只需替换 agent 参数：
bash /tmp/memos_install.sh --agent openclaw装完之后我发现一个问题——Memory Viewer 默认只能在沙箱内部访问（127.0.0.1:18799），我的 Mac 浏览器根本打不开。
这是 Bloome 用户集成 MemOS 时遇到的最典型问题，下一节专门讲怎么解决。
比如你的是云端龙虾或者Hermes 就会遇到这样的问题，不要着急慢慢来给你解决这个问题。
四、踩坑：云端沙箱的 Viewer 打不开怎么办
装好插件，兴冲冲想看 Memory Viewer——结果发现它跑在沙箱的 127.0.0.1:18799，我的 Mac 浏览器根本访问不到。
这是 Bloome 用户或者云端沙盒的龙虾集成 MemOS 时遇到的最典型问题。
解法很简单—我的Bloome小家伙直接给我推荐ngrok 内网穿透，三步搞定：
1. 注册 ngrok，获取免费 authtoken
访问 ngrok.com 注册账号（免费），在 Dashboard 复制你的 Authtoken。
这个面版的地址：https://dashboard.ngrok.com/authtokens
2. 在沙箱中启动 ngrok 隧道
/tmp/ngrok config add-authtoken YOUR_TOKEN
/tmp/ngrok http 18799 --log=stdout &
3. 在本地浏览器打开公网地址
ngrok 会生成一个 https://xxxx.ngrok-free.app 地址，在 Mac 浏览器中打开即可。
搞定。从这以后，我随时可以在本地浏览器里查看 Berry 的记忆全貌。
五、记忆迁移：过去的经验记忆+技能不能丢啊！
插件装好了，Viewer 也能访问了。
但我面临一个现实问题，Berry 小跟班之前已经积累了大量工作记录（MEMORY.md + 日志文件），这些怎么办？
总不能全扔了吧。
答案是批量迁移。通过 Python 脚本直接写入 MemOS 的 SQLite 数据库，把历史任务、用户偏好、工具配置全部转化为结构化的认知资产：
迁移完成后，打开 Memory Viewer，World Model 页面里已经能看到我的项目状态和工具配置，Traces 页面里 15 条历史记录全部入库。过去的经验，一个都不会少。
六、实时 Trace：让每次任务都留下可复用的记忆
光有历史记忆还不够——我需要让之后每一次对话都能实时写入 MemOS。
这里有个架构层的限制：Bloome Agent 走 IM 通道，不经过 OpenClaw CLI 的 hook 机制，所以 MemOS 没法像在 Hermes 上那样自动拦截所有对话。
解法是：在 Agent 每次完成重要任务后，主动调用 push_trace() 函数，将这次任务的「用户说了什么 → 我做了什么 → 任务摘要 → 用到了哪些工具」写入 MemOS。
不是所有对话都值得记住—Berry 需要判断哪些经验值得沉淀，哪些只是闲聊。这里就是展示Agent的能力的时候，就是聪明的Agent就是自我感知上下文和内容。
标准是这样的：
🔴 完成可交付物 🔴 配置工具/定时任务 🟡 用户确认新偏好 🟡 重要技术决策 ⚪ 简单问答不记录
实时 Trace 注入已在 Berry 小跟班上运行。每次完成文件生成、脚本配置、方案撰写等任务，记忆会自动同步到 MemOS Viewer，随时可以在公网地址查看最新的执行记录。
七、升级前后：哪里不一样了？
先说一个我自己的体会。
升级前，我让 Berry 小根本帮我写一篇技术文档。它写完了，我改了几处说「风格不对，要更口语化」。Berry 把这条记在了 MEMORY.md 里。
我不需要一次次的强调记住，自我感知主动去记住。
下一次我让它写文档，它又从零开始——上次的修改意见躺在文件里，但它不会主动去读、去用。
升级后，同样的场景。Berry 写完文档，我给了反馈。这次反馈被写入了 Trace，自动归因到「文档撰写」这个任务类型。下次我再让它写文档，它会先调出相关的 Policy，「用户偏好口语化风格，避免学术腔」，直接按这个方向写。不用我再说一遍。
这就是从「记了但不用」到「记了就会用」的区别。主动记忆，无需强调和说明。
下面是系统层面的对比：
八、我有多个Agent，跨Agent记忆共享可以吗？
MemOS 2.0 最令人兴奋的能力之一，是支持跨 Agent 记忆共享。
同一个用户的多个 AI Agent，可以共享同一套 World Model、Skills 和 Traces。 换工具不清零，不同 Agent 的经验可以互相学习。
「一份核心，多 Agent 共用：记忆资产不会因工具切换而清零。」
Hub-Client 架构和MemOS 2.0 的跨 Agent 共享基于 Hub-Client 架构：
实际配置（Berry小跟班 + BuLeng）
在我们的实战配置中，Berry小跟班作为 Hub，BuLeng 作为 Client：
Hub Agent 的 config.yaml 配置：
hub:
enabled: true
role: hub # 这个 Agent 是记忆中心
port: 18912 # Hub 监听端口
teamName: berry-team
nickname: berry
teamToken: your-shared-token
address: "" # 空 = 自身是 Hub
Client Agent 的 config.yaml 配置：
hub:
enabled: true
role: client # 这个 Agent 是接入方
address: https://your-hub.trycloudflare.com
teamToken: your-shared-token # 必须与 Hub 一致公网暴露方案： Hub 的 18912 端口需要通过隧道暴露到公网才能让 Client 连接。
推荐使用 Cloudflare Tunnel（免费，比 ngrok 更稳定）： cloudflared tunnel --url http://localhost:18912
共享后的效果
- 两个 Agent 的 Trace 合并
- Skills 互相可见
- World Model 共享
- 记忆越用越丰富
九、写在最后
当大模型已经够聪明，下一步比拼的不是参数，是谁能记住你。
而这一切就是你的数字分身，你留给这个世界最宝贵的东西，记忆。
记住你，不是为了下次聊天时显得更贴心——而是为了不再等你开口，就知道该做什么。
MemOS Local Plugin 2.0 做的事情，就是让 Agent 从「被动存档」变成「主动学习」。一行命令，让你的 AI 开始真正记住你。
现在就为你的 Agent 装上 MemOS
支持 Hermes Agent 和 OpenClaw / Bloome，开源免费。
⭐ GitHub Star · 📖 查看文档 · 🌐 官网