14 大记忆引擎全景纵览：从图谱到类脑，2026 选型一张图

大模型本身是无状态的——每次对话都是一次全新的开始。当用户第二次打开你的 AI 助手，它却忘了昨天聊过什么，这种"失忆"直接把体验打回原型。记忆引擎要解决的就是这件事：把跨会话的关键信息沉淀下来，按需召回，让 AI 越用越懂用户。

2026 年这个赛道已经从"有没有"进入"好不好"的阶段。我们收录了 14 款有代表性的记忆引擎，本文作为开篇总览，按出身和架构逐个过一遍，帮你建立一张整体地图，后续会逐篇做深度点评。

要点速览：14 款引擎按底层结构分四派——图谱派（Zep / Mem0 / Supermemory）擅长关系推理，层级派（Letta / TiMem / OpenViking）token 最省，混合派适应面最广，向量派接入最快。选型先定流派再挑产品；对所有厂商自报分数，先问三个问题：评测子集是哪个、指标怎么算、由谁跑的。

一、为什么需要专门的记忆引擎

直接把历史对话全塞进 prompt 是最朴素的做法，但三个问题很快会撞墙：成本随轮次线性爆炸、长上下文里注意力衰减导致"记了也找不到"、跨会话时上下文窗口根本装不下。记忆引擎的核心价值是把"对话历史"加工成"可检索的结构化记忆"，用一次写入 + 多次精准召回替代每次重放全量。

一个好的记忆引擎要在四件事上做对：记得准（召回与当前问题相关）、记得久（跨会话甚至跨月不丢）、记得省（token 和延迟可控）、记得对（事实变了能更新而不是新旧并存）。下面 14 款引擎在这四点上各有取舍。

阅读须知：本节所有基准分数均转述自各厂商论文、官方博客或仓库 README，除特别注明外均无第三方独立复测。跨引擎比较前请先核对评测子集、指标定义与模型配置——同名基准在不同实现下的结果并不直接可比。凡站内无法找到一手来源的表述，我们一律不采用。

二、14 款引擎逐个看

公司出品：面向生产环境的主流方案

Mem0（Mem0 Team，YC Alumni）——生产级记忆层。核心是多信号融合检索（语义向量 + BM25 + 实体匹配）叠加时间推理，知识图谱为可选增强模块而非必备底座。2026 年 4 月新算法官方口径为 LoCoMo 92.5、LongMemEval 94.4（纵向对比自身旧版，非横向排名）。63K+ GitHub Stars，Apache-2.0 开源，是当前生态最成熟、开发者上手最快的方案。

MemGPT / Letta（Letta，源自 UC Berkeley）——把 LLM 当成虚拟内存系统里的处理器，主内存放当前上下文，外部内存放召回和归档，靠函数调用自动换页。项目已更名为 Letta，定位"具状态智能体平台"，记忆以可编辑的记忆块形式存在，可导出为 Agent File。24K+ Stars，适合从零构建长期运行的 Agent，但集成复杂度偏高。

Zep（Zep Inc.）——企业级 Agent 记忆基础设施，核心是时序上下文图（Temporal Context Graph），自动构建知识图谱并支持矛盾检测。拿到 SOC 2 Type II 与 HIPAA BAA，支持 Cloud/VPC/BYOC 多种部署。付费门槛较高（$125/月起），面向企业级合规场景。官方研究页公布的 LoCoMo 成绩为 94.7%。

Supermemory（Supermemory Inc.）——把记忆、RAG、用户画像、连接器统一进一张知识图谱，定位"Agent 的上下文云"。官网称检索延迟 <300ms、比 Zep 快 10×、比 Mem0 快 25×。支持 Slack/Notion/Drive/GitHub 等连接器，文件系统挂载让 grep 变成语义搜索，token 去重计费。

MemoryBear（红熊 AI）——类脑记忆系统，按"感知→提炼→关联→遗忘"构建动态图重构记忆，支持多模态增量记忆，情感计算覆盖 8 种核心情绪。论文自报 LongMemEval 95%、LoCoMo 91.54%，并称 token 与成本减少约 90%。商业化产品。

MemoryLake（质变科技 Relyt）——多模态记忆基础设施，支持对话、文档、表格、音频、视频统一管理，划分背景/事实/事件/对话/反思/技能 6 种记忆类型。官网博客称 LoCoMo 94.03% 并宣称第一，加密架构使平台方无法读取用户记忆，内置开放数据集，面向企业和团队。

OmniMemory（丘脑智能）——多模态记忆系统，按"物理层→感知层→认知层"组织，支持视频/文本/音频/动作。官方口径 LoCoMo 82.5%、token 节省最高 50%、检索延迟 ≤500ms，强调用户画像动态进化与防篡改记忆保存。

MindMemOS（华为诺亚方舟实验室）——把记忆从单一 Agent 剥离成可插拔的"随身硬脑"，通过 Memory Context Bank 统一存储，配合 Dreaming 巩固机制压缩活跃记忆、把记忆转化为可复用技能，记忆可随 Agent 迁移。论文（arXiv 2608.12428）自报 LoCoMo 94.03%。

Tencent Agent Memory（腾讯云）——基于腾讯云向量数据库的四层渐进式记忆（Profile/Resource/Event/Action）+ 双路召回（关键词+语义），2.0 版本新增 Team Memory 支持团队级长期记忆按角色装配。复用腾讯云向量数据库生态，已集成 CodeBuddy/OpenClaw/Claude Code。

OpenViking（字节跳动火山引擎）——用文件系统范式（viking:// 协议）统一管理记忆、资源与技能，L0/L1/L2 三层按需加载。官方实测在不同场景下降低约 34%–90% token 消耗，Python + Rust + Go + C++ 四语言架构，主体 AGPL-3.0（部分组件 Apache-2.0），适合超长上下文管理。

硅基记忆（硅基记忆深圳科技）——面向机器人与智能硬件的长期记忆引擎，自研 iMemory 记忆模型，支持多模态记忆与长期召回，提供云端 SaaS 与本地私有化双形态部署，热插拔式记忆，主攻智能硬件/数字人/陪伴场景。

学术出品：架构创新的前沿探索

MemoryOS（北京邮电大学 & 腾讯 AI Lab）——借鉴操作系统内存管理（段页式、FIFO 置换、热度淘汰），存储-更新-检索-生成四模块架构，短/中/长三级记忆自动分层与晋升。论文发表于 EMNLP 2025 主会（ACL Anthology 2025.emnlp-main.1318），终稿摘要报告长时记忆 F1 提升 48.36%（arXiv 版为 49.11%），存储/更新/检索策略均可插拔。

TiMem（中国科学院自动化研究所 & 中国科学院大学）——时间层级记忆，5 层架构（L1 碎片→L2 会话摘要→L3 日模式→L4 周趋势→L5 稳定画像），常用信息逐层上浮，稳定特征长期保存。论文自报 LoCoMo 75.30%、LongMemEval-S 76.88%，token 消耗降低 52.2%，适合超长对话与用户画像构建。

ReMe（上海交通大学 & 阿里通义实验室）——核心理念"文件即记忆"，记忆以可读文本文件沉淀，用户可改可迁移可审计。通过多维度蒸馏、上下文自适应重用和基于效用的遗忘实现可演化长期记忆，论文显示 8B 小模型借助 ReMe 可显著缩小与大模型的差距。在 AgentScope 中作为可选的长期记忆实现提供（需显式安装启用，非默认开启）。

三、架构流派归类

抛开具体产品，14 款引擎的底层架构可以归为四类，选型时先定流派再挑产品往往更高效。

图谱派（Graph）——把记忆表示为实体-关系三元组，构建持续演化的知识图谱，擅长多跳推理和关系查询。代表：Zep、Supermemory、MemoryBear；Mem0 提供图谱作为可选增强而非主干。优势是推理能力强、事实可结构化；代价是构建和维护图谱需要额外 LLM 调用，延迟和成本偏高。

层级派（Hierarchical）——把记忆分成若干层级，模拟操作系统或人脑的分层抽象，靠层级压缩控制 token。代表：MemGPT/Letta、TiMem、OpenViking。优势是 token 经济、适合超长对话；代价是层级划分和调度策略需要精心设计。

混合派（Hybrid）——不拘泥于单一结构，组合向量、图谱、层级等多种手段，按场景灵活切换。代表：MemoryOS、MemoryLake、OmniMemory、MindMemOS、ReMe、硅基记忆。优势是适应面广、能同时兼顾多种记忆类型；代价是架构复杂、可解释性相对弱。

向量派（Vector）——以向量检索为核心，工程成熟、接入简单。代表：Tencent Agent Memory。优势是延迟低、生态成熟；代价是难以捕捉实体关系，复杂推理偏弱。

四、选型建议

没有最好的记忆引擎，只有最匹配你场景的方案。几个实用判断维度：

按团队和阶段：个人开发者或小团队快速加记忆，首选 Mem0——生态最广、免费额度够用、文档完善。企业级合规场景（金融、医疗）看 Zep 或 MemoryLake，前者有 SOC 2/HIPAA 认证，后者有三方加密。从零构建长期 Agent 而非给现有项目外挂记忆，选 Letta。

按对话长度：短对话或中等轮次，向量派和图谱派都够用。超长对话（100 轮+）优先层级派——TiMem、OpenViking、MemGPT 都是为长时域设计的，token 消耗优势明显。

按是否需要多模态：只处理文本，选择面最宽。要记图像/音频/视频，看 MemoryLake、OmniMemory、MemoryBear、硅基记忆——它们从架构层就支持多模态，而非后期拼接。

按开源 vs 商业：坚持自托管和开源，Mem0、Letta、MindMemOS、OpenViking、ReMe、MemoryOS、TiMem 都开放源码。可接受商业方案，Supermemory、Zep、MemoryLake、MemoryBear、OmniMemory 在企业级特性和托管体验上更省心。

按部署形态：云托管省运维但数据出域，Mem0/Zep/Supermemory 都有托管层。数据不能出域，看支持 VPC/自托管的 Zep、Supermemory、Letta，或完全本地的 TiMem/ReMe/MindMemOS。

一个值得注意的趋势：上下文窗口扩展到百万 token 并没有让记忆引擎过时，反而把它的定位从"突破窗口限制"推向"提供结构化、可推理、个性化的智能记忆"。未来比拼的不再是"能记多少"，而是"记得多准、多省、多对"。

本文是 14 款引擎的总览，后续我们会按产品逐篇做深度点评，拆解各自的架构细节、基准实测和真实集成体验。

五、两点必须说明的横向对比陷阱

其一，不同引擎报出的同一个基准分数，往往不是同一次考试。 LoCoMo 有大全集与 locomo10 子集之分，指标有 F1、BLEU-1、准确率之别，判分模型与提示词也各不相同。本站已出现过多家厂商报出同一分数（如 MindMemOS 与 MemoryLake 均称 LoCoMo 94.03%）的情况，这类"撞分"更多说明评测口径不透明，而非实力相当。看到分数时，先问三个问题：评测子集是哪个、指标怎么算、由谁跑的。

其二，厂商自报的性能数字需要打折看。 本节的延迟、成本、token 节省类数字，绝大多数来自厂商自家博客或论文，且彼此之间存在冲突（例如 Supermemory 声称检索延迟 <300ms、比 Mem0 快 25×，而 Mem0 官方宣称的是 sub-50ms 级别）。这类指标强依赖部署环境、向量库选型与并发水平，唯一可靠的判断方式是在你自己的数据上复测。

参考来源

• Mem0 官方仓库：https://github.com/mem0ai/mem0
• MemGPT 论文：https://arxiv.org/abs/2310.08560
• Letta 官方文档：https://docs.letta.com
• Zep 官方研究页：https://www.getzep.com
• MemoryOS 论文（EMNLP 2025 主会）：https://aclanthology.org/2025.emnlp-main.1318
• TiMem 论文：https://arxiv.org/abs/2601.02845
• MindMemOS 论文：https://arxiv.org/abs/2608.12428
• ReMe 论文：https://arxiv.org/abs/2512.10696
• MemoryBear 论文：https://arxiv.org/abs/2512.20651
• LoCoMo 基准论文：https://arxiv.org/abs/2402.17753
• LongMemEval 基准论文：https://arxiv.org/abs/2410.10813

勘误说明：本文早前版本中存在若干未经一手来源确认的表述，现已修正——OmniMemory 的归属主体应为「丘脑智能」而非「OmniMemory AI」，其 LoCoMo 官方口径为 82.5% 而非 93.50%；MemoryBear 的「回忆准确率 96.88%」未找到来源，已改用其论文口径（LongMemEval 95% / LoCoMo 91.54%）；MemoryOS 的 EMNLP 2025 收录已由 ACL Anthology 确认为主会论文，但「Oral」一说仅见二手来源，故不再采用；OpenViking 的「337K 行代码」无一手数据，已删除；ReMe 并非 AgentScope 默认记忆实现，而是需显式启用的可选实现。