AI 记忆只有两种活法:存进数据库,或活在文件里

当你和 AI 聊得越来越久，它却好像越来越「不认识」你了——这不是幻觉，而是大多数 Agent 正在面临的记忆危机。

GitHub 上有 900 多 个 AI 记忆相关的开源项目。有人把它们全部扫了一遍，发现了一个令人惊讶的事实：这些项目本质上分成了两个截然不同的阵营，就像生物进化史上的「脊索动物」和「节肢动物」——他们都解决了「移动」的问题，但方式和哲学完全不同。

一边是记忆后端（Memory Backends），把记忆当成数据库存取；另一边是上下文基底（Context Substrates），把记忆当成活着的、不断生长的环境。

这场分化，正在重新定义 AI Agent 能走多远。

一、阵营一：记忆后端——让 AI「记得住」

这个阵营的核心问题是：AI 应该记住什么？

他们的工作方式很直接：对话发生 → 用 LLM 提取事实 → 存入向量数据库 → 下次对话时检索相关事实注入上下文。

头号玩家：Mem0

如果说记忆后端阵营有一个「默认选项」，那一定是 Mem0（~48k stars，融资 $24M）。它可能是目前最广泛采用的独立记忆框架。

Mem0 提供标准的 CRUD 四操作：add、search、update、delete，支持用户/会话/Agent 三级记忆隔离。生态也很完善——21 个框架集成、19 个向量存储支持、多 LLM 后端兼容。

性能数据看起来也不错：LoCoMo 评测 66.9% LLM Score，中位延迟 0.71 秒。

挑战者：MemPalace 和 Supermemory

MemPalace（~46k stars）走了一条更极端的路线：原文逐字存储，不做任何 LLM 提取或摘要。

它用「翼-房间-抽屉」三级层级结构组织记忆，就像一个数字宫殿。这种「笨拙」的方法带来了惊人的召回率：LongMemEval 达到 96.6%（纯语义检索），加上 LLM 重排后突破 99%。

但代价也很明显——存储量随对话线性增长，没有压缩和合成机制。

Supermemory（~21k stars，$3M 融资）则引入了时间感知机制。它会自动让旧地点失效，过期的事实会被遗忘，用户画像结合稳定事实与近期动态。检索延迟约 50ms，LongMemEval 达到 81.6%。

阵营一的共同困境

这些项目的优化目标出奇地一致：召回准确率。

他们问的是：系统能找到正确的事实吗？96%+ 的准确率、200ms 以内的延迟、开箱即用的 API——这些指标定义了「好记忆」的标准。

但有一个根本问题被忽略了：如果 Agent 要 24/7 持续工作，在多个项目间切换，它需要的不只是「找到昨天的对话」，而是「今天比昨天更懂你」。

二、阵营二：上下文基底——让 AI「活在里面」

这个阵营的核心问题是：AI 应该在什么样的上下文里工作？

他们的工作方式更像是在维护一个「数字生态环境」：结构化、人类可读的上下文文件，Agent 工作前读取，工作后写回，背景进程定期整合——上下文随时间不断积累、越来越丰富。

鼻祖：OpenClaw 的文件哲学

OpenClaw（~358k stars）是文件即记忆路线的开创者。它的设计极其简单却极其有效：

● MEMORY.md：长期记忆，记录用户偏好、重要决策

● YYYY-MM-DD.md：每日运行上下文，当天的工作轨迹

● DREAMS.md：整合摘要，由后台进程自动生成

这套模式的美妙之处在于：记忆是可读的、可编辑的、可版本控制的。 你可以在 Git 里查看记忆的演进历史，可以手动修正 AI 对你的误解，可以在不同 Agent 间共享上下文。

这不是一个「记忆系统」，这是一个「记忆生态」。

知识图谱路线：Zep 和 Thoth

Zep（旗下 Graphiti ~24k stars，YC W24 融资）可能是最有企业野心的上下文基底项目。它的核心创新是时序知识图谱——每个事实都有 valid_at 和 invalid_at 时间戳，关系可以进化、事实可以失效。

Zep 在 LongMemEval 上比 Mem0 高 15 分（63.8% vs 48.6%），LoCoMo 达到 80%+ 准确率，延迟仅 189ms。

更关键的是，Zep 已经把产品定位从「记忆」改为「上下文工程（Context Engineering）」——这是一个强烈的市场信号。

Thoth（~145 stars）项目虽小，架构很深。它定义了 10 种实体类型和 67 种有向关系，FAISS 向量搜索 + 单跳图扩展，还有独特的「梦境周期」——夜间四阶段整合机制，让记忆在 Agent 休眠时自动生长。

文件系统的回归：MemSearch 的宣言

MemSearch（~1.2k stars，Zilliz 出品）可能是最令人意外的项目。Zilliz 是 Milvus 向量数据库的幕后团队，但他们却提出了一个「叛逆」的架构：

「文件是真相来源，向量搜索只是访问层。」

记忆是 .md 文件，人类可读、可编辑、可版本控制。Milvus 作为「影子索引」从文件派生——如果向量索引损坏，随时可以从文件重建。

这是一个向量数据库公司的自我颠覆，也暗示着一个趋势：人类可读性正在 AI 基础设施中重新获得价值。

三、独立观点：为什么「上下文工程」将取代「记忆」

在对 900+ 个仓库的扫描中，我发现了一个正在发生的范式转移：「Context Engineering」正在取代「Memory」成为严肃 Agent 基础设施的默认术语。

这不仅仅是营销话术的变迁，而是技术哲学的根本转向。

「记忆」这个词，束缚了行业发展

当我们说「记忆」时，潜意识里带入的是信息存储的隐喻——就像硬盘存文件、数据库存记录。这个隐喻决定了我们怎么设计系统：提取、存储、检索、更新。

但 AI Agent 不是数据库客户端。它是一个持续运行的智能体，需要在不同任务间切换、在长时间跨度中保持连贯、在多轮交互中积累理解。

Agent 需要的不是「被记住的事实」，而是「赖以工作的环境」。

从「召回」到「复利」：两种优化的哲学差异

Zep 的改名是一个信号

YC W24 的 Zep 团队有机构背书、有技术实力、有企业客户。他们主动把产品定位从「记忆」改为「上下文工程」，说明市场正在从「召回竞赛」转向「复利积累」。

我预测：6 个月内，「Context Engineering」会成为严肃 Agent 基础设施的默认术语。 Mem0 可能会跟进改名，更多新项目会直接用「Context」而不是「Memory」命名。

这不是文字游戏。这是整个行业对「AI 需要什么」的认知升级。

四、OpenClaw 用户怎么试？

如果你已经在用 OpenClaw，你可以亲自体验「上下文基底」哲学：

● 查看你的 MEMORY.md：在 ~/.openclaw/workspace/ 目录下，OpenClaw 维护了关于你的长期记忆——你的偏好、工作习惯、重要决策。

● 检查每日上下文：memory/YYYY-MM-DD.md 文件记录了当天的所有工作轨迹，你可以随时回顾或手动修正。

● 体验「梦境」整合：OpenClaw 的 DREAMS.md 会自动整合长期记忆，让 Agent 对你的理解随时间深化。

● 跨 Agent 共享：把你的 MEMORY.md 复制到另一个 Agent 的工作目录，新 Agent 立刻拥有对你的全部理解——这是传统向量数据库难以实现的「记忆便携性」。

● 版本控制记忆：用 Git 管理你的记忆文件，可以回滚到任意时间点的「你」，可以看到 Agent 对你的理解是如何演进的。

⚠️ 注意：手动编辑 MEMORY.md 时要小心格式，建议先备份。

五、写在最后

GitHub 上的 900 多个 AI 记忆项目，表面上是在解决同一个问题，实际上已经分化为两个物种。

存进数据库的记忆，解决的是「召回」问题；活在文件里的记忆，解决的是「复利」问题。

如果你的 Agent 只需要回答「上周我们聊过什么」，向量数据库就够了。但如果你的 Agent 要陪伴用户走过几个月甚至几年，它需要的就不是一个「记忆后端」，而是一个「上下文基底」——一个会生长、可维护、人类可参与的数字环境。

选择哪一种活法，取决于你希望你的 Agent 活多久。

● ● ●

参考来源：

● Mem0 State of AI Agent Memory 2026

● Zep / Graphiti 官方文档

● MemPalace GitHub 仓库

● Atlan Best AI Agent Memory Frameworks 2026

● OpenClaw 记忆系统设计

📌 扩展阅读：

✅ 想深入「记忆后端」？试试 Mem0 的 Quick Start

✅ 想体验「上下文基底」？查看 OpenClaw 的 MEMORY.md 机制

✅ 关注「遗忘工程」？研究 Supermemory 的时间感知和 Zep 的时序图谱