夜雨聆风你有没有经历过这种场景——
早上九点，打开 Cursor，新开一个会话。AI 助手热情地跟你打招呼，仿佛从未谋面。你叹口气，开始第 47 次解释：这个项目用的是 FastAPI + PostgreSQL，部署在 Docker 里，端口 8080，ORM 用 SQLAlchemy，测试框架是 pytest，代码风格遵循 Black……
昨天你刚跟它说过。
前天也说过。上上周还专门花了 20 分钟给它讲清楚项目架构。
模型的智商已经够用了。Claude 4 能写出比你更优雅的代码，GPT-5 能在 12 小时内推导出新的物理定理。但当你第二天打开编辑器，它对你的项目一无所知——就像一个每天早上都会被「消除记忆」的天才同事。
这个问题终于有人动手解决了。
一条土耳其帖子，点燃了全球开发者的怒火
6 月 27 日，土耳其 AI 博主 @AIVersePlay 在 X 上发了一条帖子，配了一段视频 demo。帖子用土耳其语写成，大意是：
"每天你都在重复同一件事。你的项目、你的决策、你的架构、你踩过的坑——全部从头讲一遍。就算是世界上最聪明的 AI 代理，也记不住昨天发生了什么。"
接着他话锋一转：
"有一个叫 MEMANTO 的开源工具，完全免费，一行命令
pip install memanto就能给你的 Claude Code、Cursor、Codex 装上永久记忆。"
▲ @AIVersePlay 的帖子迅速获得 164 赞、2.3 万次浏览，评论区有人直呼"devrim"（土耳其语"革命"）
帖子迅速扩散。164 赞，238 收藏，2.3 万次浏览——对于一条土耳其语的技术帖来说，这个数据相当惊人。
几乎同一时间，中文 AI 圈也在讨论同一个东西。博主 @berryxia 在 X 上发帖，用更技术化的语言总结了 MEMANTO 的核心卖点：
"它能把你每次和 agent 的完整工作会话保存下来，用 AI 自动组织和压缩，然后在下次需要时在 90ms 内把相关上下文找回来。"
▲ @berryxia 的帖子获得 258 赞、3.3 万浏览，评论区讨论热烈
258 赞，3.3 万浏览。中文开发者圈对这个话题的共鸣程度，可见一斑。
MEMANTO 到底做了什么？
核心功能很直白——给 AI 编程代理装了一个跨会话的「大脑」。
不管你用的是 Claude Code、Cursor、Codex、LangGraph 还是 CrewAI，MEMANTO 都能接入。它在你和 AI 助手之间充当一个独立的「记忆代理」。团队特别强调，MEMANTO 自身具备独立智能，属于主动记忆代理（active memory agent），能自主判断该记什么、怎么记、什么时候提醒你。
▲ MEMANTO 官网：100% 免费、开源、数据全在本地。三大核心指标——89.8% 长期记忆评测得分、<90ms 召回延迟、17+ 工具集成
它的能力围绕三个核心操作展开：
remember——存储。你可以手动存一条决策（"我们部署用 Docker 8080 端口"），也可以让它自动从对话日志中提取关键信息，甚至直接上传 PDF、代码文件，它会自己归档。
recall——检索。下次开会话时，你问"部署方案是什么"，它在 90ms 内从记忆库里找到答案，按相关性、时间、类型、置信度排序返回。
answer——回答。这是最狠的一步。它直接基于记忆生成带来源追溯的回答，省去了你手动翻记录的时间。
三步走完，你的 AI 助手就从一个「每天失忆的天才」变成了一个「记得所有前因后果的老搭档」。
背后的技术：为什么他们不用向量数据库？
MEMANTO 最反常识的设计选择，是完全绕开了向量数据库。
市面上绝大多数记忆方案——Mem0、Zep、Letta——都依赖某种向量存储（Pinecone、Weaviate、pg_vector 之类）。向量库的问题在于：需要索引（写入后要等）、结果是近似的（ANN 搜索天然有误差）、闲置时也有成本、运维负担不小。
MEMANTO 的底层引擎叫Moorcheh，号称"世界首个信息论语义搜索引擎"。它的核心思路是用信息论的方法做精确语义匹配，而非近似向量相似度。据官方数据：写入即可搜索（零索引延迟）、32 倍数据压缩、亚 10ms 检索速度、本地 Docker 部署零闲置成本。
▲ 土耳其科技博客 octopi.tr 绘制的架构图：左侧是你的 IDE/Agent 生态（Cursor、Claude Code 等），中间是 MEMANTO 的网关和共享服务层（remember/recall/answer + 冲突检测 + 每日摘要），右侧是 Moorcheh 引擎
这套架构还有一个设计亮点：13 种记忆类型。
传统记忆方案把所有东西扔进一个"平面"向量库——你的代码偏好和上周的部署决策混在一起检索。MEMANTO 把记忆分成了 13 个细粒度类型：instruction（指令）、fact（事实）、decision（决策）、goal（目标）、preference（偏好）、error（错误记录）……检索时可以按类型过滤，"用户偏好"就不会和"上周部署决策"打架。
再加上自动冲突检测（你说了两次互相矛盾的话，它会标记出来而非静默覆盖）、时间衰减（昨天的决策权重高于三个月前的）、来源追溯（每条记忆都标注出处和置信度），整套系统在"记忆质量"上下了很大功夫。
Hacker News 上的真实辩论
MEMANTO 在 Hacker News 上也引发了一轮严肃讨论。
有人上来就质疑："又一个记忆层？大概率就是 pg_vector 套了个壳吧。"
团队创始人 majidfekri 亲自下场回复：
"I assure you it is not a vibe coded pg_vector wrapper. It is built on top of a custom made search engine that is state-of-the-art in semantic search."
「我向你保证，这并非用 pg_vector 随手包一层的东西。它建立在一个自研的、语义搜索领域最先进的搜索引擎之上。」
▲ HN 讨论帖：团队创始人 majidfekri 多次回复社区质疑，还坦承现有基准测试"并不完美"
用户 h3t08 表示已经迁移过来使用：
"I first tried it last week, since then I migrated to this seek thing, really good on recall and easy to manage and maintain. We definitely need our data to be owned by us!"
「上周第一次试用，之后就迁移过来了。召回效果很好，管理维护也简单。我们的数据确实应该掌握在自己手里！」
但也有冷静的声音。用户 harveney 提出了一个尖锐的问题：给 LLM 加外部记忆，有时候反而会让模型「变笨」——多余的上下文反而是噪声。他个人更倾向于"无记忆 + 隔离功能"的工作方式。
majidfekri 的回应也很坦诚：
"To answer your first question, I have to say no. Agentic memory benchmarks do not reflect the nuances and difficulties that real agents encounter in real workflows."
「坦率地说，现有的代理记忆基准测试，确实无法反映真实工作流中 AI 代理遇到的那些细微难题。」
一个团队创始人在推广自己产品的帖子里主动承认基准测试的局限性——这在 HN 上赢得了不少好感。
一行命令背后的记忆赛道
MEMANTO 的安装确实简单到让人怀疑。终端里敲三行：
pip install memanto memanto # 选择本地部署或云端 memanto connect cursor # 接入你的编辑器 从此，Cursor 的每次会话都带着上下文记忆。Claude Code、Codex 也一样，一个memanto connect搞定。更关键的是，多个工具可以共享同一个记忆库——你在 Cursor 里做的架构决策，切到 Claude Code 也能自动带上。
▲ GitHub 仓库已有 1.4k 星标、397 forks、395 commits，MIT 许可证，15 位贡献者。最新版本 v0.2.4 发布于 6 月 26 日
但 MEMANTO 并非没有对手。2026 年的"AI 记忆赛道"已经相当拥挤：
- Mem0
走个人/机构记忆 + 知识图谱增强路线，生态更成熟 - Zep
强调时间感知 + 重排序，在企业级场景中有一定积累 - Letta
更偏向 agentic 架构，自身就是一个有状态的 agent 框架
MEMANTO 的差异化打法很清晰：更少的组件依赖 + 更强的原语抽象 + 信息论精度 + 完全本地化。对于 coding agent 这个特定场景，"零运维 + 数据主权 + 跨工具复用"三张牌打得很准。
风险与未知
当然，MEMANTO 仍然是一个 Alpha 阶段的项目（v0.2.4），有几个问题值得警惕：
记忆污染。用久了，记忆库会不会积累大量过时信息？遗忘策略目前似乎还不够完善——时间衰减有，但显式的"清理过期记忆"机制还在迭代中。
基准 vs 实战。89.8% 的 LongMemEval 得分确实漂亮（Mem0 是 58.1%，Zep 是 72.9%），但团队自己也承认，基准测试和真实长时间 workflow 之间存在差距。
Moorcheh 的商业模式。MEMANTO 本身开源免费（MIT 许可），但底层引擎 Moorcheh 背后是一家商业公司。本地部署完全可用，但企业规模化部署时的定价和支持策略，还有待观察。
不过，对于眼下每天被"AI 失忆症"折磨的开发者来说，这些都是"先用起来再说"的问题。至少，你不用再每天早上花 20 分钟给 Cursor 讲你的项目架构了。
2026 年 AI 代理的竞赛，瓶颈已经从"谁更聪明"转向了"谁记得更多"。而 MEMANTO 恰好站在了这个转折点上。