Mem0 / Zep / LangMem / TiMem 横评：四种记忆框架怎么选
不谈榜单排名，只比工程现实：接入难度、架构类型、公开基准口径、token 成本与适用边界，四款主流记忆框架的对照与选型结论。
2026-03-2115分钟
原始素材：https://juejin.cn/post/7619440096250019894（2026-03-21），本文在其基础上补充了公开基准口径与适用边界分析
把历史对话直接塞进 prompt，很快会撞上三堵墙：成本随轮次爆炸、长上下文注意力衰减、跨会话完全失效。 记忆框架就是为拆这三堵墙而生的。
但四款主流框架解决方式差别很大，选错方向的代价不小。本文按工程视角逐项对比。
要点速览：决策路径四问——在 LangChain 生态内选 LangMem；事实随时间变化选 Zep；超长对话且 token 敏感选 TiMem；只想省心选 Mem0。生产环境常见组合是 Mem0 管会话记忆 + Zep 管关键实体的时序关系，两者并不互斥。
一、总览对照
| 框架 | 架构类型 | 公开基准口径 | 核心优势 | 主要短板 |
|---|---|---|---|---|
| Mem0 | 多信号检索（语义+BM25+实体）+ 可选图谱 | LoCoMo 92.5 / LongMemEval 94.4（2026-04 新算法，自报） | 生态最广、上手最快、客户端覆盖最全 | 关系推理非结构内核；写入依赖 LLM 抽取 |
| Zep | 时序知识图谱（Graphiti） | LoCoMo 94.7%（官方研究页口径） | 双时间模型处理事实变更、多跳推理强 | 自托管需图数据库、托管定价偏高 |
| LangMem | 工作记忆 + 长期存储 | LoCoMo ~78%（论文口径，版本较早） | 与 LangGraph 生态原生集成 | 强绑定 LangChain 技术栈 |
| TiMem | 五层时间层级记忆 | LoCoMo 75.30 / LongMemEval-S 76.88（论文自报） | token 压缩率最好（-52.2%） | 生态早期、分层需调参 |
先看口径再比数字。 上表的分数来自不同论文与不同时点，测试子集与判分器并不统一。把它们的数值直接排成一列当排行榜，是当前记忆引擎选型中最常见的误判来源。
二、逐款分析
Mem0：默认起点，但不是全能选手
写入链路是「抽取 → 比对 → 落库」，检索链路是「语义 + BM25 + 实体」三路融合。图谱是可选增强而非结构内核。
什么时候选它：要给现有应用快速加一层可用记忆，团队没有基础设施人力，希望当天跑通。文档、SDK、MCP、CLI、客户端覆盖都在第一梯队。
什么时候别选它：核心诉求是复杂关系推理（选 Zep）、极致 token 压缩（选 TiMem）、或强合规私有化交付。
Zep：事实会变的场景，几乎只有它能做好
双时间模型给每条事实边记录 valid_at / invalid_at，信息更新时旧边标记失效而非删除，因此「现在住哪」和「以前住哪」都能正确回答。
什么时候选它：存在大量随时间变化的事实（住址、职位、关系、订阅状态），或需要多跳关系推理，或有 SOC 2 / HIPAA 一类合规要求。
什么时候别选它：预算有限的早期项目；团队无法承接图数据库运维且不想用托管。
LangMem：只在 LangChain 技术栈里划算
提供工作记忆与长期存储的抽象，与 LangGraph 的节点/状态机制天然咬合。
什么时候选它：项目已经在 LangGraph 上，希望记忆能力与现有 Agent 图结构共用一套状态管理，避免引入第二套运行时。
什么时候别选它：不在 LangChain 生态内——它的最大价值恰恰来自生态协同，脱离生态后优势所剩无几。
TiMem：token 预算紧张时的结构性解法
五层时间架构让信息逐层抽象上浮，检索时优先读高层浓缩结论，只在下钻时才触及原始对话，因此 token 压缩率是四者中最好的。这是一项架构性收益，不依赖榜单名次。
什么时候选它：100 轮以上的超长对话、长期用户画像、对 token 成本敏感且能接受小幅精度折损。
什么时候别选它：高频短对话、需要精确回溯原始记录的强审计场景。
三、选型决策路径
按顺序回答四个问题，答案会收敛到具体框架：
- 你的项目在 LangChain 生态内吗？ 是 → 优先评估 LangMem（协同收益最大）。
- 你的核心数据会随时间变化吗？ 是 → 优先评估 Zep（双时间模型是结构性优势）。
- 你的对话超过 100 轮且 token 成本敏感吗？ 是 → 优先评估 TiMem。
- 以上都不是，只想要最省心的默认方案？ → Mem0。
需要说明的是，这不是排他性选择。生产环境中常见的组合是：Mem0 处理常规会话记忆，Zep 处理需要时序推理的关键实体关系——两者并非互斥。
四、评估时容易被忽略的三件事
- 写入成本：除 LangMem 外的三款都可能需要 LLM 参与写入，对话量大时写入费用会超过读取费用，务必单独核算。
- 失效机制：只有 Zep 把「事实失效」做成了核心机制。其它方案若遇到信息更替，需要自己在应用层处理。
- 迁移成本：记忆数据不像向量库那样容易导出复用，尤其是图谱结构。选型前先确认能否导出、导出格式是否可用。
参考来源
- Mem0 论文与官方基准公告：https://arxiv.org/abs/2504.19413 ｜ https://mem0.ai/research
- Zep 官方研究页：https://www.getzep.com/research/
- Zep / Graphiti 双时间模型文档：https://help.getzep.com/graphiti/getting-started/overview
- TiMem 论文：https://arxiv.org/abs/2601.02845
- LangMem 官方文档：https://langchain-ai.github.io/langmem/
- LoCoMo 基准论文：https://arxiv.org/abs/2402.17753
数据口径说明：本文各引擎基准数值均标注来源与时点，来自不同论文/官方页面，未经本平台统一复测，不可直接横向排名。文中架构与能力描述以官方文档为准。