Mi-Memory: A Lifecycle Memory Framework for Personal AI

📄 arXiv: 2607.18975v1 📥 PDF

作者: 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

分类: cs.AI

发布日期: 2026-07-21

备注: Project page: https://darwin-agent.github.io/Mi-Memory/

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出Mi-Memory框架以解决个人AI记忆管理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 个人AI 记忆管理 多模态证据 可审计性 策略透明性

📋 核心要点

  1. 现有的个人AI系统在记忆管理上存在局限，无法有效支持跨设备的连续服务和用户状态的持久保存。
  2. Mi-Memory框架通过结构、扩展、演变和部署四个角色，提供了一种新的记忆管理方式，强调证据的可审计性和策略的透明性。
  3. 在控制参考结构评估中，MemStack在LoCoMo、PersonaMem-V2和LongMemEval上分别达到了93.59%、57.24%和87.47%的性能，显示出显著的提升。

📝 摘要（中文）

个人AI正在从仅限于对话的交互模式向跨越多种设备的连续服务转变。在这一背景下，记忆不仅仅是过去对话的缓存，而应作为一种持续性和治理的基础，能够保存用户的持久状态，基于多模态和设备证据提供答案，支持纠正和遗忘，限制策略演变，并在延迟、成本、隐私和边缘云约束下可部署。本文提出了Mi-Memory，一个围绕结构、扩展、演变和部署四个角色组织的生命周期记忆框架。通过四类重复的工件家族，Mi-Memory将这些角色联系起来，确保记忆系统的可审计性和证据导向性。

🔬 方法详解

问题定义：本论文旨在解决个人AI在记忆管理中的局限性，现有方法往往无法有效支持用户状态的持久保存和跨设备的服务连续性。

核心思路：提出Mi-Memory框架，通过结构、扩展、演变和部署四个角色，建立一个可审计的、证据导向的记忆系统，以应对多模态和设备证据的挑战。

技术框架：Mi-Memory的整体架构包括MemStack、MemSense/MemFuse、D$^{2}$ACCI/E$^{2}$MEND和LiteMem等主要模块，分别负责不同的记忆管理任务。

关键创新：最重要的创新在于通过共享审计合同将四个角色连接起来，确保记忆的可审计性和策略的透明性，与传统的记忆管理方法相比，提供了更高的灵活性和可控性。

关键设计：在设计中，采用了类型化证据负载、诊断痕迹、策略工件和门控/回滚记录等关键元素，以确保源身份和来源的保留，以及记忆策略的明确变化。具体的参数设置和损失函数尚未详细披露。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在控制参考结构评估中，MemStack在LoCoMo、PersonaMem-V2和LongMemEval上分别达到了93.59%、57.24%和87.47%的性能，显示出显著的提升，表明Mi-Memory框架在记忆管理方面的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括智能助手、自动驾驶汽车、智能家居等，能够为用户提供更加个性化和连续的服务。通过有效的记忆管理，个人AI可以更好地理解用户需求，提升用户体验，未来可能在各类智能设备中广泛应用。

📄 摘要（原文）

Personal AI is moving beyond chat-only interaction toward continuous services that span phones, cars, homes, wearables, cameras, and tools. In this setting, memory cannot remain a cache of prior conversations. It should serve as a continuity and governance substrate: preserving durable user state, grounding answers in multimodal and device evidence, supporting correction and forgetting, bounding policy evolution, and remaining deployable under latency, cost, privacy, and edge-cloud constraints. This technical report presents Mi-Memory, a lifecycle memory framework for Personal AI organized around four roles: Structure, Expansion, Evolution, and Deployment. A shared audit contract links these roles through four recurring artifact families: typed evidence payloads preserve source identity and provenance, diagnostic traces localize evidence loss across the serving pipeline, strategy artifacts make memory-policy changes explicit, and gate/rollback records bound accepted evolution. MiMemory instantiates the roles through MemStack, MemSense/MemFuse, D$^{2}$ACCI/E$^{2}$MEND, and LiteMem. In controlled-reference Structure evaluations, MemStack reaches 93.59%, 57.24%, and 87.47% on LoCoMo, PersonaMem-V2, and LongMemEval, respectively; other tracks report module-level, preliminary/internal, transfer-feasibility, or design-only evidence with explicit boundaries. MiMemory is a step toward auditable, evidence-gated, and deployment-aware memory systems for Personal AI. Project homepage: https://darwin-agent.github.io/Mi-Memory/ .