Agent 记忆 5 个方案对比：接入不踩坑

你有没有遇到过这种情况------让同一个 AI Agent 干两轮活，第二轮它完全不记得第一轮聊了什么。

反复解释项目背景、告诉它你的偏好、把昨天说过的上下文再说一遍。不是 LLM 蠢，是大部分 Agent 根本没有记忆系统。每次对话都是一张白纸，和首次启动没有区别。

这个问题在 2026 年变得更加尖锐。Agent 从「聊一次」进化到「长期运行」，从「单工具」进化到「跨工具协作」------记忆已经从锦上添花变成了必需组件。社区在过去一年涌现了多个方案，各有各的取舍。

我研究了当前主流的 5 个记忆方案，从易用性、功能深度、部署开销三个维度做了对比，给你一张清晰的选型地图。

一、为什么 Agent 需要专门的记忆系统

你可能在想：给 LLM 塞上下文不就行了？长上下文模型不是越来越强了吗？

这对了一半。长上下文能解决「单次会话」的记忆问题，但 Agent 的记忆需求远不止「记住刚才说了什么」：

场景	纯上下文	专用记忆系统
跨会话记忆	❌ 每次新会话清空	✅ 持续累积
跨工具共享	❌ Cursor 记的不传给 Claude Code	✅ 统一记忆层
结构化检索	❌ 只能全文扫描	✅ 语义/关键词/时间多维检索
去重与合并	❌ 反复存相同信息	✅ 自动去重和冲突检测
遗忘控制	❌ 要么全记要么全忘	✅ 按重要性和时效性分级

这就是为什么社区从文件约定法走到了专门的记忆框架------不是长上下文不够长，是记忆需要的不是「长度」，而是「结构」和「持久性」。

二、5 个方案横评

第一种：Mem0 --- 社区首选的全能型

Mem0 是目前最成熟的 Agent 记忆方案，GitHub 60,930 stars，Y Combinator S24 孵化。它的核心思路是提供一个「插拔式记忆层」------你的 Agent 通过 SDK 调 ADD/Search，Mem0 负责存、搜、去重。

bash 复制代码

pip install mem0ai

python 复制代码

from mem0 import Memory

memory = Memory()
# 存一段对话
memory.add(messages, user_id='alice')
# 搜索相关记忆
results = memory.search('user preferences', user_id='alice')

2026 年 4 月，Mem0 发布了新记忆算法：单次 ADD 提取取代了 UPDATE/DELETE 流程，新增实体链接和多信号融合检索（语义 + BM25 + 实体 + 时间）。LoCoMo 92.5、LongMemEval 94.4 的 benchmark 表现不错。

Mem0 的生态很全：Python SDK、TypeScript SDK、CLI、MCP 接口，以及开源自托管服务器（Docker 一键部署）。如果你想要一个开箱即用、生态完整的方案，Mem0 是最安全的选择。

定价：开源库免费（Apache-2.0），云平台 Hobby 免费，Starter $19/月，Pro19/月，Pro$ 19/月，Pro249/月。

第二种：Zep --- 企业级时序知识图谱

Zep 走了和 Mem0 不同的路线------它不做通用记忆层，而是基于时序知识图谱构建上下文。你给 Zep 喂聊天记录、业务数据、文档、JSON，它把这些异构数据自动构建成一个 Context Graph，Agent 查询时亚 200ms 返回。

Zep 本身是云产品，但它的底层引擎 Graphiti 开源了，GitHub 28,779 stars。

python 复制代码

# Python SDK
from zep_cloud.client import Zep

client = Zep()
# 添加对话片段
client.memory.add(
    session_id="session-1",
    messages=[{"role": "user", "content": "我的 Grafana 在 monitor.internal:3000"}]
)
# 提取实体和关系
context = client.graph.search("Grafana 监控配置")

Zep 的与众不同点在企业合规能力------SOC 2 Type II、HIPAA BAA（Enterprise），审计日志保留 1 年。如果你在金融、医疗等受监管行业做 Agent，Zep 可能是唯一能通过合规审计的选择。

定价：10,000 credits/月免费。Flex $1,250/年（1,250/年（$ 1,250/年（104/月），Flex Plus $3,750/年（3,750/年（$ 3,750/年（312/月），Enterprise 定制。

第三种：Engram --- 零依赖的 Go 单二进制

Engram 是我个人最喜欢的一个方案。不是因为它功能最强，而是因为它「简单到粗暴」------单一 Go 二进制文件，零运行时依赖，不需要 Node、Python、Docker，一条命令装完就跑。

bash 复制代码

brew install gentleman-programming/tap/engram

Engram 的存储后端是 SQLite + FTS5 全文索引，所有记忆存在 ~/.engram/engram.db 这一个文件里。这个文件可以用 git 同步跨机器共享。

它通过 MCP 协议接入 Agent，提供 20 个 MCP 工具：mem_save、mem_search、mem_timeline、mem_judge、mem_compare 等。接入 Claude Code 只需要在配置里加一行。

特性	说明
部署	单一 Go 二进制，brew 安装
存储	SQLite + FTS5，单文件
MCP 工具	20 个，涵盖增删改查和冲突检测
Git Sync	跨机器记忆共享，无合并冲突
支持 Agent	Claude Code、OpenCode、Gemini CLI、Codex、Cursor 等 10+ 款

Engram 与 AGENTS.md/CLAUDE.md 文件约定法互补------文件约定存项目级指令和编码规范，Engram 存结构化的操作记忆。两者不冲突，可以同时用。

定价：完全免费开源（MIT）。

第四种：Memora --- MCP 原生，内置知识图谱可视化

Memora 是一个比较年轻的项目（433 stars），但功能丰富程度不输大项目。它的设计哲学是「MCP 原生」------通过 MCP stdio 协议接入 Agent，不需要 SDK 集成。

bash 复制代码

pip install git+https://github.com/agentic-box/memora.git

Memora 的特色是内置了一个知识图谱可视化服务器（端口 8765），用浏览器打开能看到一张交互式的节点图------节点用颜色标记类型（tag / issue / TODO），自带时间滑块可以按时间线浏览记忆变化。

它还支持三种 Embedding 后端切换：OpenAI、sentence-transformers（离线）、TF-IDF。没有 OpenAI Key 也能跑，这就很良心。

python 复制代码

# Memora 的 LLM 去重核心
from memora.dedup import compare_memories

verdict = compare_memories(
    "用户的 Grafana 地址是 monitor.internal:3000",
    "Grafana 在 monitor.internal 上运行"
)
# 返回：duplicate / similar / different
# 支持 append / prepend / replace 合并策略

定价：完全免费开源（MIT），云存储按 Cloudflare D1/S3/R2 厂商计费。

第五种：LangMem --- LangChain 生态的官方记忆库

如果你已经在用 LangChain/LangGraph 生态，LangMem 是最自然的记忆方案。它把记忆分成三类------语义记忆（事实/知识）、情节记忆（过去经验）、程序记忆（行为规则/系统提示词优化），这个分类法直接借鉴了认知科学。

bash 复制代码

pip install -U langmem

LangMem 提供两条使用路径：Hot Path 是 Agent 在对话中主动管理记忆（调用 create_manage_memory_tool），Background 是后台自动从对话中提取、合并、更新知识。两条路径可以并存。

python 复制代码

from langmem import create_memory_manager

manager = create_memory_manager(
    "anthropic:claude-sonnet-4",
    instructions="提取用户的技术偏好和项目配置信息"
)
memories = await manager.run([{"role": "user", "content": "我偏好用 FastAPI 和 SQLAlchemy"}])

LangMem 最创新的部分是 Prompt Optimization------基于用户反馈自动优化系统提示词，属于程序记忆的演化机制。你给 Agent 反馈「这个回答太啰嗦」，Agent 就自动调整 system prompt。

定价：完全免费开源（MIT），LangGraph Platform 部署有免费层和付费层。

三、怎么选：一张决策表帮你定位

场景	推荐方案	理由
个人/小团队，追求零成本	Engram	Go 单文件，brew 装就完事
个人/小团队，要功能全	Mem0 (开源版)	SDk 完善，生态最好
企业内部 Agent 平台	Zep	SOC 2/HIPAA 合规，企业级
已经在用 LangChain	LangMem	深度集成 LangGraph Store
极客玩家，要可视化	Memora	内置 KG UI，3 种 Embedding
追求极致简单，已有 AGENTS.md	文件约定法 + Engram	互补使用，零额外成本

四、写在最后

记忆系统在 Agent 架构里正在从「可选项」变成「基础设施」。你现在看到的这 5 个方案，代表了社区的几条探索路径------Mem0 代表「全能平台」、Zep 代表「企业合规」、Engram 代表「极简体验」、Memora 代表「MCP 原生」、LangMem 代表「生态绑定」。

没有万能的方案，只有对的场景。记一条原则：如果你的 Agent 只跑单次任务，长上下文就够了；如果你的 Agent 需要跑一个季度、跨多个工具、服务多个用户------那你今天就应该开始引入记忆层。

项目地址：

Mem0: github.com/mem0ai/mem0
Zep: github.com/getzep/zep (Graphiti: github.com/getzep/grap...)
Engram: github.com/Gentleman-P...
Memora: github.com/agentic-box...
LangMem: github.com/langchain-a...