机器人Agent跑多轮任务，最怕"书包太重"——查了几十轮，上下文越堆越长，真正有用的信息反而被淹没。2026年集中出现的五个项目，X-OmniClaw、MemoHarness、HumanCLAW、RoboClaw和RPent，都在回答同一个问题：怎么为机器人、物理Agent搭一套Harness。

其中MemPO给出的答案有点反直觉：不要外部记忆模块。

打开网易新闻 查看精彩图片

让模型自己写"小纸条"

传统做法是外挂一套复杂的记忆检索系统，把历史信息切片、向量化、按相似度召回。MemPO绕开了这条路。

它的机制是：在构建下一轮prompt时，让模型在每个assistant轮次的开头，自己写下一段记忆摘要。系统只保留最近一轮的工具结果，其余全部交给模型自己压缩。

这相当于逼着模型在交互过程中学会一件事——什么值得记、怎么记。而且不是靠人工规则，是靠强化学习端到端训出来的。

用一句更直白的话说，MemPO是让AI学会"边做笔记边推理"，用RL奖励训练它把最重要的信息压缩进每轮的小纸条。查的轮次再多，书包也不会越来越重。

奖励怎么给，才是真难题

让模型自己写摘要，马上会遇到信用分配问题：任务最后成功了，到底是哪一轮的记忆写得好？

MemPO设计了双通路奖励机制来拆这个问题。

  • 全局轨迹级的结果奖励（Outcome Reward）：全序列广播，衡量整条轨迹的任务正确性
  • 局部记忆奖励（Memory Reward）：基于P_mem减P_full的差值计算，只作用于记忆区间

两条通路协同，一边优化记忆质量，一边优化任务正确性。记忆写得好不好，第一次有了可归因的优化信号。

这也正是MemPO的核心目标：不仅要"用RL训练Agent"，还要为记忆本身设计可学习、可归因的优化信号，让模型在交互中主动压缩、组织并保留最有助于任务完成的信息。

环境不是Gym，是Agent Loop

MemPO的环境完全是自己实现的，基于VeRL框架加SGLang推理引擎定制。

它不是传统强化学习里的Gym环境，而是一个异步多轮Agent Loop在充当环境角色。具体实现是ToolAgentLoop异步状态机，通过停止词机制截断模型输出，再动态注入真实RAG检索服务的结果。

这套设计让系统"自己既是环境也是Agent"，形成闭环。

落到源码层面，MemPO对VeRL框架的修改被梳理成三条核心路径：A是记忆奖励计算与叠加，B是结果奖励计算，C是系统主循环与工具调用。改动集中在数据收集、优势函数和主循环三个层面，属于外科手术式修改，而非推倒重来。

从"更强的模型"转向"更好的系统"，这五个项目指向的是同一个判断：机器人Agent的下一程，拼的可能不是模型参数，而是Harness怎么搭。