Mandol

面向长期对话Agent的
内存级分层记忆系统

实现对复杂记忆信息的统一表示、高效存储和精确检索，为下一代 Agent 认知架构提供理论基础与技术方案。

快速开始 GitHub 仓库

92.21%LoCoMo 正确率

88.40%LongMemEval 正确率

5.4×检索加速

4.8×插入加速

什么是 Mandol？

Mandol 是一个面向长期对话 Agent 的内存级分层记忆系统，具备高效精准的检索能力。它实现了复杂记忆信息的统一表示、高效存储和精确检索，为下一代 Agent 认知架构提供了理论基础和技术方案。

系统将键值、向量和图索引范式融合为统一的内存数据结构，对外暴露极简的 add() → holistic_retrieve() 操作模型。其核心创新在于将传统的"被动召回-重排序"检索范式，转变为主动的"查询感知路由 → 量化去噪 → 高质量上下文生成"新范式。

核心创新

重新定义对话 Agent 记忆方式的三大突破

🏗️

分层记忆模型

Theoretical

将记忆系统划分为基础记忆层、高层记忆层和智能查询层的分层理论模型，通过结构化语义图统一表示复杂多关系记忆信息。

结构化语义图统一表示复杂多关系记忆
按需生成的隐式语义边实现精度与灵活性的平衡
基础记忆与高层记忆的双向可追溯机制

💾

统一内存存储架构

Architecture

基于内存语义数据结构的统一存储架构，SemanticMap 与 SemanticGraph 协同设计，在物理层面原生融合键值、向量和图能力。

KV 存储、向量索引与图结构的原生融合
原子化混合检索算子消除跨存储 I/O 瓶颈
活跃内存-持久存储协同平衡性能与容量

🔍

智能路由与量化检索

Retrieval

查询感知路由与量化检索方法，将检索过程从被动的"召回-重排序"转变为主动的"理解-过滤-总结"新范式。

查询感知路由动态选择记忆来源
两阶段量化去噪与冲突消解
Token 约束下的高质量上下文生成，无需 LLM 参与检索

基准性能对比

在长期对话记忆基准上以更低 Token 消耗达到 SOTA 级正确率

LoCoMo 正确率 (%) 对比

GPT-4o-mini	Avg. Tok	Single	Multi	Temp.	Open	Overall
Mem0	1.0k	66.71	58.16	55.45	40.62	61.00
MemU	4.0k	72.77	62.41	33.96	46.88	61.15
MemOS	2.5k	81.45	69.15	72.27	60.42	75.87
Zep	1.4k	88.11	71.99	74.45	66.67	81.06
EverMemOS	2.5k	91.68	82.74	79.34	70.14	86.13
Mandol	2.0k	93.82	85.11	89.10	65.63	89.48

GPT-4.1-mini	Avg. Tok	Single	Multi	Temp.	Open	Overall
Mem0	1.0k	68.97	61.70	58.26	50.00	64.20
MemU	4.0k	74.91	72.34	43.61	54.17	66.67
MemOS	2.5k	85.37	79.43	75.08	64.58	80.76
Zep	1.4k	90.84	81.91	77.26	75.00	85.22
EverMemOS	2.3k	95.32	89.01	90.13	77.43	91.97
Mandol	1.9k	95.36	92.20	87.85	79.17	92.21

Mandol 在 LoCoMo 上以仅 1.9k tokens 达到 92.21% 的总体正确率 — 超越 EverMemOS (91.97% / 2.3k) 且 Token 消耗减少 17%，超越 Mem0 (64.20%) 达 28 个百分点。

LongMemEval 正确率 (%) 对比

GPT-4o-mini	Avg. Tok	SS-Pref	SS-Asst	Temporal	Multi-S	Know. Upd.	SS-User	Overall
MemU	0.5k	76.70	19.60	17.30	42.10	41.00	67.10	38.40
Mem0	1.1k	90.00	26.78	72.18	63.15	66.67	82.86	66.40
Zep	1.6k	53.30	75.00	54.10	47.40	74.40	92.90	63.80
MemOS	1.4k	96.67	67.86	77.44	70.67	74.26	95.71	77.80
Mandol	2.1k	96.67	98.21	78.95	74.44	88.46	97.14	85.00

GPT-4.1-mini	Avg. Tok	SS-Pref	SS-Asst	Temporal	Multi-S	Know. Upd.	SS-User	Overall
EverMemOS	2.8k	93.33	85.71	77.44	73.68	89.74	97.14	83.00
Mandol	2.3k	96.67	98.21	87.22	77.44	89.74	98.57	88.40

Mandol 在 LongMemEval 上以 2.3k tokens 达到 88.40% 的总体正确率 — 超越 EverMemOS (83.00% / 2.8k) 5.4 个百分点，同时 Token 消耗减少 18%。

快速开始

三步操作模型：add → build → retrieve

# Install Mandol (zero mandatory dependencies)
pip install mandol
 
# Optional backends
pip install mandol[faiss]      # FAISS vector index acceleration
pip install mandol[neo4j]      # Neo4j graph database
pip install mandol[all]        # Install all optional deps

1. 安装→2. 添加记忆→3. 构建与查询→4. 持久化

引用

如果您的研究受益于本工作，请引用我们的论文

mandol.bib

@article{mandol2026,
title   = {Mandol: An In-Memory Layered Memory System
for Long-Term Conversational Agents},
author  = {Yuhan Zhang and Zhiyuan Guo and Ziheng Zeng
and Wei Wang and Wentao Wu and Lijie Xu},
journal = {arXiv preprint arXiv:260x.xxxxx},
year    = {2026}
}

论文即将发布。完整作者列表和 arXiv 链接将在出版后更新。