OmniMem：自动研究引导发现终身多模态代理记忆

AI智能体越来越多地在长时间跨度上运行，但其保留、组织与回忆多模态经验的能力仍是关键瓶颈。构建有效的终身记忆需要在横跨架构、检索策略、提示工程与数据管线的巨大设计空间中探索；该空间过于庞大且相互关联，人工探索或传统AutoML都难以有效遍历。我们部署了一个自主研究管线来发现Omni-SimpleMem，一个面向终身AI智能体的统一多模态记忆框架。从朴素基线出发（LoCoMo上F1=0.117），该管线在两个基准上自主执行约50个实验，诊断失败模式、提出架构修改并修复数据管线bug，内循环全程无需人工干预。所得系统在两个基准上均达到SOTA，相对初始配置在LoCoMo上F1提升+411%（0.117→0.598），在Mem-Gallery上提升+214%（0.254→0.797）。关键在于，最具影响力的发现并非超参数调整：bug修复（+175%）、架构变更（+44%）与提示工程（特定类别上+188%）各自单独的贡献都超过全部超参数调优的总和，展示了从根本上超越传统AutoML的能力。我们给出六类发现的分类体系，并识别出使多模态记忆特别适合自动化科研（autoresearch）的四个特性，为将自主研究管线应用于其他AI系统领域提供指导。代码见 https://github.com/aiming-lab/SimpleMem。