Mi-Memory：面向个人AI的“生命周期记忆”框架，结构化治理与多端部署初探
在智能设备从单一屏幕向多模态、跨场景演进的当下，个人 AI（Personal AI）正面临一个关键挑战：记忆如何从简单的“对话缓存”升级为支撑连续服务与可信治理的基础设施？
2026 年 7 月 21 日，Xule Liu 等 18 位研究者向 arXiv 提交了一篇题为 《Mi-Memory: A Lifecycle Memory Framework for Personal AI》（arXiv:2607.18975）的技术报告，提出了一套名为 Mi-Memory 的生命周期记忆框架。该框架试图回答一个核心问题：当个人 AI 需要在手机、汽车、家居、可穿戴设备和摄像头之间无缝协作时，记忆系统该如何设计？
一、为什么个人 AI 需要新的记忆架构？
传统聊天机器人往往将记忆局限于当前会话的上下文窗口内，或简单依赖对话历史缓存。然而，随着个人 AI 的应用场景不断扩展——从手机端延伸到车载系统、智能家居、可穿戴设备乃至摄像头——这种“仅聊天式”的记忆模式已经暴露出明显局限：
- 缺乏连续性：用户在不同设备、不同时间段的状态无法被有效保存和传递；
- 缺乏可治理性：用户对记忆的纠错、遗忘请求难以系统化执行；
- 缺乏工程约束意识：延迟、成本、隐私保护和端云协同等实际部署问题常被忽视。
研究者指出，未来的记忆系统必须同时承担两大角色：
- 连续性载体（Continuity Substrate）：保存持久的用户状态，并在多模态和设备证据基础上提供回答依据；
- 治理载体（Governance Sub substrate）：支持用户纠错与遗忘、约束策略演化，并能在延迟、成本、隐私和端云协同等实际部署约束下运行。
二、Mi-Memory 的四大核心角色
Mi-Memory 围绕以下四个核心角色构建其架构体系：
2.1 Structure（结构）
定义记忆的存储与组织形式，确保用户状态能够以结构化方式表达。这是记忆系统的"骨架"。
2.2 Expansion（扩展）
负责多模态和多设备证据的接入与融合，使记忆能够随着交互不断扩展。这是记忆系统的"感官"。
2.3 Evolution（演化）
管理记忆策略的动态调整，包括用户反馈驱动的修正、遗忘机制以及策略版本控制。这是记忆系统的"进化能力"。
2.4 Deployment（部署）
关注记忆系统在真实环境中的落地能力，涵盖延迟、隐私、成本及端云架构约束。这是记忆系统的"落地保障"。
三、审计契约：让记忆变更可追溯
Mi-Memory 最具特色的设计之一是引入了一个共享审计契约（Shared Audit Contract），将上述四个角色串联起来。该契约依赖四类反复出现的工件家族，实现记忆系统的可追溯性和可治理性：
| 工件类型 | 作用 |
|---|---|
| 类型化证据负载（Typed Evidence Payloads） | 保留来源身份和溯源信息 |
| 诊断追踪（Diagnostic Traces） | 定位服务管线中证据丢失的位置 |
| 策略工件（Strategy Artifacts） | 使记忆策略变更显式化 |
| 门控/回滚记录（Gate/Rollback Records） | 限制可接受的策略演化范围 |
这种设计的核心理念是：记忆系统的每一次修改和决策都可以被审计和回溯。对于涉及个人隐私的个人 AI 系统而言，这一机制尤为重要。
四、模块实现与初步评估
Mi-Memory 通过四个具体模块实例化其四大角色：
- MemStack：对应 Structure 角色
- MemSense / MemFuse：对应 Expansion 角色
- D²ACCI / E²MEND：对应 Evolution 角色
- LiteMem：对应 Deployment 角色
在最受关注的 Structure 轨道上，MemStack 模块在三个基准测试中取得了以下成绩：
| 数据集 | 得分 |
|---|---|
| LoCoMo | 93.59% |
| PersonaMem-V2 | 57.24% |
| LongMemEval | 87.47% |
需要特别注意的是，论文明确声明：其他评估轨道的报告包含模块级证据、初步/内部结果、迁移可行性或仅设计性证据，并附有明确的边界说明。这意味着目前仅有 Structure 轨道具备较为完整的量化验证，Expansion、Evolution 和 Deployment 角色的系统化评估仍在推进中。
五、项目资源
- arXiv 链接：arXiv:2607.18975
- 项目主页：https://darwin-agent.github.io/Mi-Memory/
- DOI：10.48550/arXiv.2607.18975
- 作者团队：Xule Liu, Hanlin Teng, Chao Li, Yanan Ni, Shuo Lu, Audrey Wang, Yijun Liu, Yunfei Wang, Xiaofeng Li, Xian Yi, Yuanfa Li, Kang Zhao, Jian Liang, Yuxuan Chen, Jinyuan Chen, Heng Qu, Kun Shao, Jian Luan（共 18 位作者）
六、辨析与展望
Mi-Memory 的提出反映了当前个人 AI 研究的一个重要转向：记忆不再只是"记住之前说了什么"，而是需要成为一套可审计、可治理、可部署的基础设施。
从技术贡献来看，其核心价值体现在三个方面：
- 模块化设计：将记忆系统拆分为结构、扩展、演化和部署四个独立但协同的模块，分别处理不同的技术问题；
- 审计契约机制：通过四类工件实现记忆变更的可追溯性，将治理内建于架构核心；
- 工程现实导向：强调延迟、隐私和端云协同等实际部署约束，避免纯理论研究脱离工程实践。
当然，读者也应保持理性预期。目前部分评估结果仍属于"初步/内部"性质，整体框架的系统化验证尚在进行中。但对于 AI 从业者和开发者而言，Mi-Memory 提供了一个值得深入关注的框架思路：在个人 AI 的记忆系统中，治理与审计不应是事后补充，而应是内建于架构核心的设计要素。
随着多模态设备和跨场景交互的普及，如何构建既智能又可信的记忆系统，将成为个人 AI 演进道路上的关键命题。Mi-Memory 为此迈出了坚实的一步。