开源 AI 记忆项目深度拆解

方法论见 记忆模块调研方法论；三大商用方案对比见 AI 记忆模块调研报告。候选清单见同目录 OSS candidates。 本篇用 8 维度逐项拆解 6 个代表不同范式的开源项目。时间基准 2026-06。评分 1-5；⚠ 表示不确定/需核实。所有字段名尽量取自源码。

Letta、mem0 另有独立专文：MemGPT/Letta 入门指南、mem0 译文 记忆是什么·为什么·怎么做 / 从 RAG 到 Agent Memory；此处按统一 8 维度补入以便横向对比。

---

1. Graphiti / Zep —— 时序知识图谱（27k★ Apache-2.0，v0.29.2）

范式定位：把对话/数据抽成 节点-边-节点 三元组，边上挂"事实句"，用四时间戳双时态做软遗忘；检索是纯算法 hybrid（向量+BM25+图遍历+RRF/MMR/cross-encoder），检索期零 LLM 调用。

EntityEdge 核心字段（边即"事实"）：

fact: str                  # 自然语言事实句
fact_embedding: list[float]
episodes: list[str]        # 产生此事实的 episode uuid(溯源)
valid_at / invalid_at      # 现实时间轴：事实何时真/失效
expired_at / created_at    # 事务时间轴：系统何时作废/知道
group_id                   # 图分区键(多租户隔离)

总评：需要"知识会过时、且失效要可追溯"的长期 agent 记忆（个人助理偏好、CRM/客服业务状态、时态推理）——双时态软遗忘是同类开源最完整的。局限：写入 LLM 密集(每边一次失效判断)成本/延迟高；时态正确性仍有边界 bug(时区比较 #920、回填 #1489)；失效判断依赖 LLM 质量；评估为厂商自评。

---

2. Cognee —— 图谱构建层 / GraphRAG（18k★ Apache-2.0，v1.1.2）

范式定位："LLM 驱动的知识图谱构建层 + 混合检索"，对外包装成 memory。核心不是记忆条目存储，而是把任意数据通过 ECL 管线（Extract-Cognify-Load） 抽成实体-关系图 + 向量索引。

⚠ v1.1.x 有两层 API：高层 remember/recall/forget/improve(营销叙事) 与底层 add/cognify/search/memify(真正核心，教程/源码主用)。以底层为准。

DataPoint 关键字段：id/created_at/updated_at/version/source_content_hash(去重)/metadata{index_fields} —— index_fields 决定哪些字段进向量库。

总评：把异构文档/库转成可推理知识图谱 + 混合检索的 GraphRAG 底座（多跳问答、实体溯源、自定义本体、图库/向量库可插拔）。局限：细粒度遗忘弱(prune 偏全量重置)；cognify 每次靠 LLM 抽取，高频小增量成本高；benchmark 含超参过拟合且自评；双层 API 易混淆。

---

3. Memobase —— 结构化用户画像（2.8k★ Apache-2.0）

范式定位：以结构化 user profile 为一等公民，把对话抽成 topic/sub_topic/content 三段槽位（而非自由文本片段），另存 event 时间线。画像检索 embedding-free（纯 SQL，<100ms）；event 走 pgvector。

自定义 profile schema：

additional_user_profiles:
  - topic: "gaming"
    sub_topics: [{name: "FPS"}, {name: "RPG", update_description: "保留最高段位"}]

总评：长期 1:1 对话的陪伴/教育/客服/角色扮演 chatbot——结构化画像可直接喂 prompt、可审计、可人工修正，产品化体验接近 ChatGPT memory，延迟敏感场景友好。局限：强依赖 LLM 抽取/合并质量；画像偏静态人口学属性，Multi-Hop 跨片段推理弱；"<100ms"仅画像路径(event search 回到 500ms+)；无 TTL；⚠ 你之前提的 "<80ms" 官方未证实(仅见 <100ms)。

---

4. A-MEM —— 自组织 Zettelkasten（1k★ MIT，NeurIPS 2025，⚠维护近停滞）

范式定位：把卡片盒笔记法落地到 agent 记忆——每条是含结构化属性的 atomic note，写入时 LLM 自动生成 keywords/tags/context，并与历史 note 动态建链 + 反向更新旧 note 属性（记忆进化）。

记忆进化伪代码：

def add_note(content):
    attrs = LLM.analyze_content(content)            # keywords/context/tags
    note  = MemoryNote(content, **attrs)
    neighbors = find_related_memories(note.content, k=5)   # embedding 近邻
    resp = LLM(EVOLVE_PROMPT(note, neighbors))      # should_evolve / actions / ...
    if resp["should_evolve"]:
        if "strengthen" in resp["actions"]:
            note.links += resp["suggested_connections"]
        if "update_neighbor" in resp["actions"]:
            for i, nb in enumerate(neighbors):
                nb.context = resp["new_context_neighborhood"][i]   # 反向覆盖旧 note

总评：最值得借鉴的是 schema 设计 + 记忆进化 prompt 协议(可抄进自己系统)，向量+link 混合检索方向也对。作为生产库不可用：写入重度依赖 LLM(慢贵)、检索有未修的度量 bug、无生命周期管理、维护停滞——建议只借鉴其 note schema 与 evolution 逻辑，存储/检索层自行重写（对照 mem0 工程化）。

---

5. Letta / MemGPT —— OS 式分层（23k★ Apache-2.0，v0.16.8）

范式定位：把上下文窗口当 OS 的 RAM，用分页/换页管理记忆。in-context 的 core memory(LLM 可自改) + out-of-context 的 recall(对话历史)和 archival(向量库),全部由 stateful agent server 持久化到 Postgres。是 MemGPT 论文的工程化产品形态(2024 改名 Letta)。

memory block 结构：{label, description, value(整块覆盖), limit(字符上限), read_only} + 元数据 chars_current/chars_limit。

总评：需要跨会话长期个性化 + 记忆状态可视化可审计 + agent 自维护画像的有状态助手；想开箱即用 stateful server + ADE 而非自拼 RAG 栈。局限：写入/换页强依赖 LLM 主动发起(召回漏检 + token/延迟成本)；archival 无淘汰单调增长；复杂关系记忆不如图记忆精准；生产必须上 Postgres+pgvector。

---

6. mem0 —— 事实抽取式（58k★ Apache-2.0，赛道事实标准）

范式定位：不存原始对话,LLM 抽取候选事实 → 与已有记忆比对做 ADD/UPDATE/DELETE/NOOP LLM 决策。开源 Agent 记忆事实标准之一,但 benchmark 数字有公开争议。

add() 返回(v1.1)：{"results":[{"id","memory","event":"ADD|UPDATE|DELETE|NONE","previous_memory"?}]}。

总评：长期个性化助手/多轮 Agent，需跨 session 记偏好且 token 敏感(抽取压缩上下文)；想开箱即用、Apache-2.0、双 SDK、多租户隔离。局限：① benchmark 可信度有实质争议(Zep 反驳 + #3944 复现失败),选型勿轻信自报数字；② 抽取丢原文 + 每次 add 有 LLM 成本,时序处理出过 bug；③ 无内建 TTL/衰减；④ v3 异步化增集成复杂度。

---

横向对比矩阵

检索实现对比（各家 search 到底怎么做）

共性：除 Graphiti(hybrid)外，多数核心检索仍是"向量相似 + 过滤"，图/link 是增强。

mem0 search() 详细流程（最常被问）：

search(query, user_id=, limit=, threshold=, filters=)
 1. query → embedding(默认 text-embedding-3-small)
 2. 向量库 ANN 相似检索取候选
 3. 按 user_id/agent_id/run_id + metadata 过滤(多租户隔离)
 4. threshold(相似度下限) + limit 截断；隐式排序 user→session→raw
 5. 返回 [{id, memory(事实文本), score, metadata, created_at, updated_at}]

mem0 检索的是 add() 阶段已抽取/去重/去冲突后的"事实"，不是原始对话——所以只需召回少量高质量事实即可，这是它省 token 的根因。开启 mem0^g(Neo4j) 后额外用实体-关系图遍历增强时序/跨事实推理。

---

记忆记录 schema 对照 + 推荐自建 schema

6 家记忆单元字段对照

推荐自建 schema（融合 6 家优点，可直接建表）

CREATE TABLE memory_record (
  id            UUID PRIMARY KEY,
  content       TEXT NOT NULL,          -- 抽取后的事实(mem0/Memobase 思路,非原文堆叠)
  content_hash  CHAR(64),              -- 去重(mem0=MD5)
  embedding     VECTOR(1536),          -- 放向量库
  user_id TEXT, agent_id TEXT, run_id TEXT,  -- 四级作用域(mem0)
  memory_type   TEXT,                  -- episodic|semantic|procedural(A-MEM/Letta 分层思想)
  topic TEXT, sub_topic TEXT,          -- 结构化画像槽(Memobase)
  categories    TEXT[], keywords TEXT[], links UUID[],  -- 标签+自链接(A-MEM)
  source        TEXT, confidence REAL, -- 溯源(Graphiti episodes)+置信度
  valid_at TIMESTAMPTZ, invalid_at TIMESTAMPTZ,  -- 双时态软遗忘(Graphiti)⭐
  created_at TIMESTAMPTZ NOT NULL, updated_at TIMESTAMPTZ, last_accessed_at TIMESTAMPTZ,
  ttl INTERVAL, is_deleted BOOLEAN DEFAULT FALSE,
  metadata JSONB
);
-- 配套:历史审计表(mem0 history:old/new/event) + 可选图层(实体-关系)

完整 schema 设计推导见 AI 记忆模块调研报告 专题 C。

---

离线合成 / 记忆巩固对比（实时 vs 后台提炼）

对照 survey 里"各家 Dreaming"：商用侧 OpenAI(Dreaming)、Anthropic Managed Agents(Dreams)、Claude Code(autoDream，扒二进制 v2.1.177 证实：≥24h+≥5 会话、夜间 1–5am 后台巩固 memory，服务端灰度+官方未文档化) 都有后台离线合成；OSS 这边——

要点：Letta sleep-time / A-MEM evolution 是 OSS 里最接近"dreaming 式离线提炼"的；Graphiti 走相反路线（实时失效，无需离线整理）。

---

Benchmark landscape（评测体系 + 可复现争议）

⚠ 可复现争议（选型必读）：

• mem0 自报 LoCoMo "+26%/-91%/91.6"，但 Zep 公开反驳(指其集成 Zep 有误、full-context baseline ~73% 反而高于 mem0 ~68%)。
• mem0 官方 issue #3944 复现仅 ~0.20(时间戳 bug)。
• Zep 自己 84% 也被第三方修正到 58.44%。
• 多份第三方论文显示 mem0 在多数 LoCoMo 类别反超 A-MEM。

结论：所有厂商自报记忆 benchmark 都应标注"自评 + 有复现争议"，认真选型须自己用固定模型版本跑 ≥5 次取均值。

---

能直接借鉴到自己记忆层的点

• 遗忘：抄 Graphiti 的 双时态（valid_at/invalid_at 区分"世界变了"，expired_at 区分"认知改了"）——比硬删除强得多。
• schema：抄 Memobase 的 topic/sub_topic/content 画像槽位(产品化友好) + A-MEM 的 note 富属性(keywords/context/links)。
• 写入合并：抄 mem0/Memobase 的 ADD/UPDATE/DELETE(ABORT) LLM 决策，避免重复堆叠。
• 检索：抄 Graphiti 的 hybrid + RRF + 检索期零 LLM(成本/延迟最优)。
• 写入管线：抄 Cognee 的 Task DAG(ECL 可组合)做工程化抽取。

⚠ 核对清单（写公开内容前）

1. 各项目 star/release/最近 push 为 2026-06 数量级，以当日 GitHub 为准。
2. 所有 benchmark 数字多为项目自报(LoCoMo 赛道有公认可复现争议：Zep 反驳 mem0、mem0 #3944 复现失败)——引用须标注自报性质。
3. Graphiti 时态 bug(#920/#1489)、A-MEM 检索 bug(#23/#24) 状态可能已变。
4. Memobase "<80ms" 未证实(官方 <100ms)；Cognee 融资金额未查到；Cognee SearchType 枚举跨版本有出入。
5. 字段名取自当时源码，版本更新可能变化。

来源（按项目）

• Graphiti：repo、Zep 论文 arXiv:2501.13956、edges.py、DeepWiki
• Cognee：repo、cognify.py、DataPoint.py、Dreamify arXiv:2505.24478
• Memobase：repo、database.py、LoCoMo README
• A-MEM：repo、论文 arXiv:2502.12110、memory_system.py、Zep 对 LoCoMo 的反驳