Memory Intelligence Agent (MIA)

Memory Intelligence Agent (MIA) 是由 华东师范大学、上海人工智能实验室、哈尔滨工业大学、厦门大学 及 上海创智学院 (SII) 联合研发的新型深度研究记忆智能体框架。

针对当前 AI 助手在长上下文推理中面临的“记忆臃肿”、“注意力分散”以及“只知结果不知过程”的痛点，MIA 提出了一种革命性的解决方案：将智能体从被动的信息记录者，转变为主动的策略制定者。

核心突破：告别“南墙”，拥抱进化

传统的记忆框架往往陷入“上下文越长越好”的误区，导致计算成本飙升且噪声干扰严重。MIA 通过以下三大创新打破了这一僵局：

1. “管理者-规划者-执行者”三位一体架构

MIA 摒弃了混乱的“记忆备份”模式，采用分工明确的协作机制：

• 👮 管理者 (Manager)：终极管理员。负责优化记忆存储，消除冗余信息，确保记忆库的精炼与高效。
• 🧠 规划者 (Planner)：战术大脑。不仅制定研究计划，更具备测试时持续学习 (Test-time Continuous Learning) 能力，能在推理过程中根据反馈实时调整策略。
• ⚡ 执行者 (Executor)：专家能手。经过专门训练，能精准解读并执行复杂的研究蓝图，毫无阻碍地完成具体任务。

2. 参数化与非参数化记忆的协作闭环

MIA 不再单纯依赖堆砌文本上下文，而是构建了参数化记忆（模型权重中的知识）与非参数化记忆（外部检索的知识）的动态协作。这种闭环使得智能体能够在开放世界中实现自主进化，越用越聪明。

3. RL 同步驱动与动态进化

借助交替强化学习 (Alternating Reinforcement Learning) 范式，MIA 实现了三个角色的无缝衔接与同步优化。规划者在推理过程中边做边学，拒绝“出厂即巅峰”，实现了真正的智能动态进化。

实验结论：小模型实现跨级超越

MIA 在多个权威基准测试中取得了 SOTA (State-of-the-Art) 性能，证明了其强大的普适增强能力：

• 全面领先：在 LiveVQA (多模态在线搜索) 和 HotpotQA (纯文本沙盒搜索) 等实验中，MIA 显著提升了 GPT-5.4、Gemini-3-Flash、Claude-Sonnet-4.6 等顶级模型的表现。
• 小模型逆袭：基于 Qwen-2.5-VL-7B 作为执行器的 MIA 模型，在 7 个核心数据集上表现卓越。
  • 超越：GPT-5.4、GPT-4o、Gemini-2.5-Pro (不调用搜索工具)。
  • 逼近：Gemini-3-Flash (不调用搜索工具)。
• 记忆新标杆：在与当前最先进的智能体记忆方法横向评测中，MIA 在全部 7 个数据集上均取得最佳性能。

结论：MIA 证明了优秀的记忆架构比单纯的模型规模更重要。它让 7B 小模型拥有了媲美千亿参数闭源模型的深度研究与推理能力。

OpenClaw 技能集成

为了方便开发者使用，MIA 提供了两个基于 OpenClaw 的技能版本：

1. 纯净版本：整合 MIA 存储框架，专注于高效记忆管理。
2. 可信版本：在纯净版基础上，增加了基于可信驱动的校正机制，确保信息的准确性与可靠性。

配套工具与环境

MIA 支持多种搜索与检索方式，以增强其研究能力：

1. 在线文本搜索 💻

• 核心组件：web_tools/server
• 配置：需配置 Google Search Serper Key (export SERPER_KEY_ID="xxxxx")
• 启动：

  cd web_tools
  bash ./run.sh
  

• 接口：SERVICE_URL/server/search

2. 离线文本搜索 📖

• 核心组件：local_search (基于 Wiki25本地检索)
• 启动：

  cd local_search
  bash ./run.sh
  

• 接口：http://localhost:8001/retrieve

3. 图搜图 🎨

• 核心组件：image_search_cache

⚙️ 环境搭建

# 创建 Conda 环境
conda create -n verl python==3.10.12

# 安装依赖
cd train
bash install.sh

# 单独安装 Flash Attention (示例版本，请根据实际 CUDA/Torch版本调整)
wget -nv https://github.com/Dao-AILab/flash-attention/releases/download/v2.8.3/flash_attn-2.8.3+cu12torch2.7cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
pip install --no-cache-dir flash_attn-2.8.3+cu12torch2.7cxx11abiFALSE-cp310-cp310-linux_x86_64.whl

MIA 不仅解决了长上下文带来的效率瓶颈，更通过强化学习赋予了智能体“学会如何学习”的能力。对于需要深度研究、复杂推理和多步任务处理的场景，MIA 提供了一个高效、可扩展且强大的基础框架。