# AI Agent 记忆框架横向对比报告总结

AI Agent 记忆框架横向对比报告

覆盖框架：Claude Code、DeerFlow 2.0、Hermes Agent、Mem0、OpenClaw、claude-mem、MemGPT/Letta、LangMem、Zep、Cognee

---

目录

1. 框架定位速览

2. 记忆架构分层对比

3. 核心机制横向对比表（20维度）

4. 各框架深度拆解

   • 4.1 Claude Code
   • 4.2 DeerFlow 2.0
   • 4.3 Hermes Agent
   • 4.4 Mem0 V3
   • 4.5 OpenClaw
   • 4.6 claude-mem
   • 4.7 MemGPT / Letta
   • 4.8 LangMem
   • 4.9 Zep / Graphiti
   • 4.10 Cognee

5. 基准测试数据

6. 记忆写入方式对比

7. 记忆检索方式对比

8. 选型决策指南

---

一、框架定位速览

框架	所属类型	核心定位	开源状态	活跃度（Stars）
Claude Code	AI 编程助手	智能编程 Agent + 内置记忆体系	闭源（源码泄露分析）	N/A（Anthropic 产品）
DeerFlow 2.0	SuperAgent Harness	多 Agent 工作流编排引擎（内嵌记忆）	开源（MIT）	49,200+ ★
Hermes Agent	AI Agent 运行时	通用 Agent 框架 + 插件化外部记忆	开源	活跃
Mem0	独立记忆框架	通用 AI 长期记忆层（V3 ADD-only）	开源（Apache 2.0）	32,000+ ★
OpenClaw	AI Agent 运行时	自主 Agent 网关系统（内置记忆）	开源（MIT）	346,000+ ★
claude-mem	Claude Code 插件	Claude Code 全自动工作记忆持久化	开源（AGPL-3.0）	46,000+ ★
MemGPT / Letta	独立记忆框架	OS 分层记忆 + 自主调度	开源（Apache 2.0）	19,000+ ★
LangMem	独立记忆 SDK	LangGraph 原生长期记忆	开源（MIT）	活跃（LangChain 官方）
Zep / Graphiti	记忆即服务	时序知识图谱记忆服务	开源内核（MIT）	20,000+ ★
Cognee	知识引擎型记忆	三层存储统一知识图谱	开源（MIT）	活跃，$750万融资

---

二、记忆架构分层对比

各框架在记忆组织方式上呈现四种主流范式：

范式一：文件层次型（File-based Hierarchy）
  代表：Claude Code、OpenClaw、Hermes Agent（L1）
  特点：Markdown 文件分层，人工/自动可读，Git 友好

范式二：结构化数据库型（Structured DB）
  代表：claude-mem、Mem0 V3、MemGPT/Letta
  特点：SQLite/PostgreSQL + 向量索引，支持全文搜索，高密度存储

范式三：知识图谱型（Knowledge Graph）
  代表：Zep/Graphiti、Cognee
  特点：图节点 + 边 + 时序建模，多跳推理，最强关系理解

范式四：扁平置信度型（Flat + Confidence Score）
  代表：DeerFlow 2.0
  特点：JSON 文件 + 置信度排序注入，简单但精度有限

架构复杂度：知识图谱型 > 结构化数据库型 > 文件层次型 > 扁平置信度型
推理能力：知识图谱型 > 结构化数据库型 ≈ 文件层次型 > 扁平置信度型
部署成本：知识图谱型 > 结构化数据库型 > 文件层次型 ≈ 扁平置信度型

---

三、核心机制横向对比表（20 维度）

★★★ = 优秀 ｜ ★★ = 良好 ｜ ★ = 基本支持 ｜ --- = 不支持/不适用

|对比维度 |Claude Code |DeerFlow 2.0 |Hermes Agent |Mem0 V3 |OpenClaw |claude-mem |MemGPT/Letta |LangMem |Zep/Graphiti |Cognee |

|-|-|-|-|-|-|-|-|-|-|-|

|① 记忆分层数 |4层|1层（JSON）|4层|1层（向量）|2层|2层（SQLite+向量）|3层|2层|3层（图）|3层（统一）|

|② 记忆写入触发 |手动/自动判断|30s防抖异步|手动/LLM判断|显式add()|工具事件 Hook|PostToolUse Hook|LLM主动调用|LLM判断/后台|每次消息摄入|事件驱动 Hooks|

|③ 写入是否阻塞 |否（懒写）|否（防抖队列）|否（异步）|是 （同步）|否（fire-and-forget）|否（fire-and-forget）|否（异步）|否（后台模式）|否|否|

|④ 记忆检索触发 |会话启动加载|会话启动注入|会话启动加载|显式search()|会话启动 Hook|会话启动+MCP|LLM主动工具调用|LLM主动/预注入|显式查询|自动路由|

|⑤ 向量语义搜索 |---|---|★（via Provider）|★★★|★（LanceDB）|★★（ChromaDB）|★★（向量库）|★★★|★★★|★★★|

|⑥ 全文检索（BM25/FTS） |---|---|★★（FTS5）|★★（需nlp包）|★|★★★（FTS5）|★（SQL like）|---|★★（Lucene）|★★|

|⑦ 时序/时间推理 |★（MEMORY时间标注）|★（时间戳）|★|★（时间戳）|★|★★（按日期查询）|★|★|★★★（双时序模型）|★★|

|⑧ 知识图谱推理 |---|---|---|---（V3已移除）|---|---|---|---|★★★|★★★|

|⑨ 实体链接/去重 |---|文本精确去重|---|★★（cosine≥0.95）|---|★（MD5哈希）|★（LLM判断）|★★（LLM合并）|★★★（图解析）|★★★（Ontology对齐）|

|⑩ 跨会话持久化 |★★★|★★|★★★|★★★|★★★|★★★|★★★|★★★|★★★|★★★|

|⑪ 隐私内容过滤 |手动规避|无|无|无|无|★★★（<private>标签自动剥离）|无|无|无|无|

|⑫ Token 效率 |★★（分层懒加载）|★（全量注入2K预算）|★★|★★|★★|★★★（三层渐进式，10x节省）|★（全量检索）|★★（后台预注入）|★★★（图精准检索）|★★|

|⑬ 上下文压缩 |★★★（7层策略）|---|★★（摘要）|---|★（摘要）|★★★（AI压缩observation）|★★（自动转移）|★★（后台整合）|---|---|

|⑭ 外部 Provider 扩展 |---|---|★★★（8种Provider ABC）|★★（自定义后端）|★（插件系统）|---|★（自定义后端）|★★（多后端）|---|★★|

|⑮ MCP 工具暴露 |---|---|---|★|★（via 插件）|★★★（4个MCP工具）|★|---|★|★★|

|⑯ Web 可视化界面 |---|---|---|★（Platform UI）|★|★★★（localhost:37777）|★（Letta平台）|---|★（Zep云端）|★|

|⑰ 多用户/多租户 |---|---|---|★★★（user/agent/run/app_id）|★★|★（项目隔离）|★★|★★★（user namespace）|★★★|★★|

|⑱ 安装复杂度 |★★★（无依赖）|★★|★★|★★（pip）|★（Bun+系统依赖）|★（Bun+可选ChromaDB）|★（Docker推荐）|★★（pip+存储）|★（Neo4j依赖）|★（多数据库）|

|⑲ LLM/框架无关性 |★（仅Claude）|★★（LangGraph）|★★★|★★★|★★★（5种模型）|★（仅Claude Code）|★★★|★★（强依赖LangChain）|★★★|★★★|

|⑳ 生产成熟度|★★★（Anthropic产品）|★★★|★★|★★★|★★（快速迭代）|★★（快速迭代）|★★|★★（LangChain官方）|★★★（企业级）|★★（融资早期）|

---

四、各框架深度拆解

4.1 Claude Code

定位：Anthropic 官方 AI 编程助手，记忆是内置能力而非插件。

四层记忆架构：

Layer 1: CLAUDE.md（静态规则层）
  ├─ 用户手动编写 Markdown 指令
  ├─ 作用域：企业级 / 项目级 / 用户级 / 私有
  ├─ 每次会话全量注入 System Prompt
  └─ 支持 @import 引用，递归深度 ≤5 层

Layer 2: Auto Memory / MEMORY.md（动态记忆层）
  ├─ Claude 自动读写，跨会话持久化
  ├─ 存储于 ~/.claude/projects/{hash}/memory/
  ├─ MEMORY.md 索引：每行 ≤150 字符，≤200 行 / 25KB
  └─ 按 topic 分文件，会话按需懒加载

Layer 3: Auto Dream（记忆整合层）
  ├─ 触发条件：距上次清理 >24h + 累积 ≥5 个新会话
  ├─ 后台子 Agent 运行（不干扰主对话）
  └─ 四步整合：时间精确化 → 矛盾消解 → 过时清理 → 容量控制

Layer 4: KAIROS（跨会话长期记忆，未发布）
  ├─ 常驻守护进程，四阶段记忆整合
  ├─ 主动推送通知、监控 GitHub PR
  └─ 打扰策略：阻塞 >15s 的动作推迟执行

上下文压缩：7层渐进式策略，结合 Prompt Cache 最大化缓存命中（同版本用户共享系统提示前缀）。

核心特点：记忆是内置能力，零配置，但扩展性和搜索能力有限，适合个人编程场景。

---

4.2 DeerFlow 2.0

定位：ByteDance 开源 SuperAgent Harness，LangGraph 原生，记忆是嵌入式模块，非独立系统。

记忆结构（单层 JSON，置信度排序）：

// backend/.deer-flow/memory.json
{
  "userContext": { "work": "...", "personal": "..." },
  "topOfMind": ["当前最关注的 3-5 个要点"],
  "history": {
    "recentMonth": "...",
    "earlier": "...",
    "longTermBackground": "..."
  },
  "facts": [
    {
      "content": "事实文本",
      "confidence": 0.85,
      "thread_id": "xxx",
      "timestamp": "2026-04-23T10:00:00Z"
    }
  ]
}

写入机制：MemoryMiddleware（Agent 链第8位）→ 30秒防抖队列 → LLM Extractor 生成 diff → 原子写入（write-then-rename）

注入机制 ：会话开始时按置信度排序，tiktoken 精确计算，填满 2,000 token 预算 截止，注入 <memory> 标签

局限：无语义检索、无语义去重、记忆删除不可靠；TIAMAT 云后端正在替换本地 JSON 方案。

---

4.3 Hermes Agent

定位：通用 AI Agent 运行时，记忆架构最精细，尤其是外部 Provider 扩展机制。

四层记忆架构：

L1 Prompt Memory（提示记忆层）
  ├─ MEMORY.md：~2,200 字符，常驻 system prompt
  ├─ USER.md：~1,375 字符，用户画像
  └─ Frozen Snapshot 模式：会话开始组装一次，后续不变
      → 最大化 LLM 前缀缓存（Prefix Cache）命中率

L2 SQLite + FTS5 Session Archive（会话归档层）
  ├─ sessions 表 + messages 表 + messages_fts 虚表（FTS5）
  ├─ WAL 模式：1s 超时、随机抖动重试（20-150ms，最多15次）
  ├─ BEGIN IMMEDIATE 事务 + 每 50 次写入 PASSIVE checkpoint
  └─ 触发器自动同步 FTS5 虚表

L3 Skills（能力记忆层）
  ├─ 每个 Skill 是自包含的工作流单元
  └─ Session 开始时加载 Skills Index 到 context

L4 External MemoryProvider（外部记忆扩展层）
  ├─ MemoryProvider ABC（抽象基类），8+ 生命周期 Hooks
  ├─ MemoryProviderRegistry：单一 active provider 规则
  ├─ ThreadPool 5s 超时保护
  └─ 8 种内置 Provider（可插拔）

8 种内置 External Provider：

Provider	特点	基准
Hindsight	3种模式（云/本地嵌入/本地外部），tools: retain/recall/reflect	LongMemEval 91.4%
Honcho	用户画像 + 会话归纳	---
OpenViking	多模态记忆（含图片）	---
Mem0	Mem0 V3 集成	---
Holographic	事件序列追踪	---
RetainDB	企业级 SQL 记忆	---
ByteRover	多源知识融合	---
Supermemory	轻量个人记忆云	---

Frozen Snapshot 设计：System Prompt 在会话开始时组装完毕、后续不可变，使 LLM 提供商可以对前缀做 KV 缓存，显著降低首 Token 延迟。

---

4.4 Mem0 V3

定位：最广泛采用的独立 AI 长期记忆层，V3 是重大重写版本（2025年底）。

V3 核心变化（Breaking Changes）：

• ADD-only：移除 UPDATE/DELETE/NOOP 操作，新旧记忆并存（支持时序推理）
• 图存储完全移除（Neo4j/Kuzu 从 OSS 删除），改为内置实体链接集合
• search() API 破坏性变更：user_id 必须放入 filters={} 字典

8 阶段流水线（memory.add() 同步调用）：

Phase 0: Context Gathering    → SQLite 取最近 10 条历史
Phase 1: Memory Retrieval     → top-10 向量检索（去重参考）
Phase 2: 单次 LLM 调用        → ADDITIVE_EXTRACTION_PROMPT（只有 ADD）
Phase 3: Batch Embedding      → ThreadPoolExecutor 并发向量化
Phase 4+5: MD5 哈希去重       → 精确重复跳过
Phase 6: Batch Persist        → 写入向量库 + SQLite
Phase 7: Entity Linking       → cosine ≥ 0.95 实体合并
Phase 8: Finalize             → 保存消息历史 + Telemetry

三信号检索 （需 mem0ai[nlp] + spaCy）：语义向量（常驻）+ BM25（可选）+ 实体匹配（可选）

V3 基准：LoCoMo 91.6%（V2: 71.4%），LongMemEval 93.4%（V2: 67.8%）

四维 ID 空间 ：user_id / agent_id / run_id / app_id，灵活多租户

---

4.5 OpenClaw

定位：面向个人/企业的自主 AI Agent 网关运行时框架（类比企业级 Claude Code），记忆是其内置能力之一。

文件驱动 + 插件扩展记忆架构：

Layer 1: 文件基础记忆
  ├─ SOUL.md     → Agent 人格与行为规范
  ├─ AGENTS.md   → 多 Agent 路由配置
  ├─ HEARTBEAT.md → 定时任务调度配置
  └─ MEMORY.md   → Agent 自主维护的长期记忆（决策/偏好/事实）

Layer 2: 观察时间线（via claude-mem 插件增强）
  ├─ 存储：SQLite（sqlite-storage）+ LanceDB 向量索引
  ├─ 写入：工具调用事件 → fire-and-forget → claude-mem Worker
  └─ 检索：会话启动 before_prompt_build Hook → REST API

Gateway 守护进程：Linux（systemd）/ macOS（LaunchAgent），负责消息路由、工作区协调、心跳调度。

与 claude-mem 的关系 ：claude-mem 是 OpenClaw 和 Claude Code 的共同插件，通过 tool_result_persist 事件桥接，提供跨会话的工具观察记录管理，缓存 60 秒避免高频查询。

消息平台集成：WhatsApp、Telegram、Slack、Discord、Signal。

---

4.6 claude-mem

定位：Claude Code 专用的全自动工作记忆持久化插件，补足 Claude Code 原生 Memory 的不足。

双数据库架构：

SQLite（主存储）：~/.claude-mem/claude-mem.db
  ├─ sessions 表（会话记录）
  ├─ observations 表（结构化记忆单元）
  ├─ observations_fts（FTS5 全文检索虚表）
  └─ pending_messages（AI 处理队列）

ChromaDB（向量库，可选）：~/.claude-mem/vector-db
  └─ 所有 observation 的语义向量嵌入

6 个 Hook 驱动的全自动工作流：

Hook	事件	职责
context-hook.js	SessionStart	启动 Worker，注入 50 条 observations
new-hook.js	UserPromptSubmit	创建 session，保存 prompt
save-hook.js	PostToolUse	写入 pending 队列（~1ms，非阻塞）
summary-hook.js	Stop	触发 AI 摘要生成
cleanup-hook.js	SessionEnd	标记 session 完成

三层渐进式 MCP 检索（核心 Token 节省策略）：

search（50-100 tokens/条） → timeline（时序上下文） → get_observations（完整详情 500-1000 tokens/条）
总计 ~3,000 tokens，节省约 10 倍

每条 Observation 结构：type（6种）/ title / subtitle / narrative / facts\[\] / concepts\[\] / files_read\[\] / files_mod\[\]

---

4.7 MemGPT / Letta

定位：把 LLM 当操作系统，将记忆分层调度，类比"内存 vs 磁盘"，由 UC Berkeley 孵化的学术项目转产品。

三层 OS 类比记忆架构：

[In-Context Memory - 主上下文 / RAM]
  ├── Core Memory（核心记忆）
  │     ├── persona block（Agent 人格定义，固定大小）
  │     └── human block（用户信息，固定大小）
  └── Message Queue（会话历史队列，先进先出）
        └── 溢出时自动转移到 Recall Storage

[Out-of-Context Memory - 外部存储 / Disk]
  ├── Recall Memory（回忆存储）
  │     └── 全量对话历史，支持全文检索
  └── Archival Memory（归档存储）
        └── 无限长期记忆，向量嵌入检索

写入/检索均由 LLM 主动工具调用：

• core_memory_append/replace、archival_memory_insert（写入）
• conversation_search、archival_memory_search（检索）

优势 ：记忆控制粒度最细，支持 Agent 自主决策记忆策略。

劣势：每次记忆操作都需 LLM 推理，延迟高；学习成本高，部署复杂。

---

4.8 LangMem

定位：LangChain 官方出品，LangGraph 原生长期记忆 SDK（2025年5月发布），面向生产级工作流。

两种记忆类型 × 两种运行模式：

	Hot Path（实时）	Background Mode（异步）
触发	Agent 对话中主动调用工具	对话结束后 MemoryManager 处理
延迟影响	有（LLM 工具调用耗时）	无（不阻塞响应）
精度	更高（对话上下文完整）	稍低（事后重构）

三类记忆（语义/情景/程序）：

类型	内容	存储形态
Semantic	事实知识、用户偏好	Profile（单文档）或 Collection
Episodic	历史经历、Few-shot 示例	Collection
Procedural	系统行为规则、核心人格	Prompt Rules 或 Collection

特色：Memory Enrichment（记忆丰富化），精准平衡新建 vs 合并，避免过提取（精度下降）和欠提取（召回下降）。

---

4.9 Zep / Graphiti

定位：企业级记忆即服务，基于 Graphiti 时序知识图谱引擎，最强时序推理能力。

三层时序知识图谱架构：

G = (N, E, φ)  时序感知动态知识图谱

└── Episode Subgraph（情节子图）
      原始消息/文本/JSON，非损失存储
      双时序模型：event timeline + transaction timeline

└── Semantic Entity Subgraph（语义实体子图）
      提取的实体（节点）+ 关系（边）
      每实体：1024维向量嵌入 + 有效期区间

└── Community Subgraph（社区子图）
      强连通实体聚类，包含高层摘要

核心差异化 ：双时序模型 ------ 每个事实同时记录"事件发生时间"和"数据写入时间"，支持"上周我换工作了"类时序推理，这是其他框架普遍缺失的能力。

混合检索：图遍历 + 向量相似度 + 全文检索，自动按查询复杂度路由。

基准：LoCoMo ~78%，LongMemEval 准确率提升最高 18.5%，延迟降低 90%（vs RAG 基线）。

---

4.10 Cognee

定位：面向 AI Agent 的知识引擎，统一三种存储后端，替代传统 RAG，ECL 管道构建知识图谱。

ECL 管道 + 三层统一存储：

ECL Pipeline：
  Extract → 提取三元组（subject-relation-object）
  Cognify → 知识图谱构建 + Ontology 本体对齐
  Load    → 统一写入三层存储

三层统一存储：
  关系型数据库（结构化元数据）
  向量数据库（语义检索）
  图数据库（关系推理，支持 Neo4j、Amazon Neptune）

双记忆层：
  Session Memory（Redis 缓存，快速存取）
  Permanent Knowledge Graph（后台异步从 Session 同步）

核心 API ：remember() / recall() / forget() / improve()

Auto-routing 自动路由：根据查询复杂度自动选择向量检索（简单语义查询）或图遍历（复杂关系推理），对用户透明。

最广泛的集成支持 ：Claude Agent SDK、OpenAI Agents SDK、LangGraph、Google ADK、n8n、OpenClaw、Hermes Agent（原生 memory.provider: cognee）。

---

五、基准测试数据

5.1 主流框架 LoCoMo / LongMemEval 对比

框架	LoCoMo Score	LongMemEval-S	备注
Mem0 V3	91.6%	93.4%	V2: 71.4% / 67.8%
Hindsight（Hermes）	---	91.4%	Hermes Agent 默认推荐 Provider
Zep / Graphiti	~78%	---	时序推理最强
LangMem	~78%	---	LangChain 生态
TiMem	75.3%	76.9%	Token 效率领先（-52%）
MemOS	69.2%	68.7%	分层 + OS 类比设计
Letta（MemGPT）	---	---	无公开最新基准

注意：不同框架测试条件存在差异，数据仅供参考趋势判断。Mem0 V3 的高分部分来自其 ADD-only 策略，通过保留历史版本实现更好的时序问答。

5.2 Token 效率对比

框架	检索方式	Token 消耗（相对值）
claude-mem（三层渐进）	按需分层检索	1x（基准最省）
Mem0	top_k=20 向量检索	~3x
Zep	混合检索	~3x
LangMem	向量预注入	~4x
MemGPT/Letta	LLM 工具调用检索	~5x（含 LLM 推理成本）
DeerFlow 2.0	置信度排序全注入	~5x（2K token 固定预算）
Claude Code 原生	MEMORY.md 全量加载	~5x（≤25KB 全量）

---

六、记忆写入方式对比

┌────────────────────────────────────────────────────────────────────────┐
│                      记忆写入触发方式分类                               │
│                                                                        │
│  全自动（用户零操作）          半自动（LLM判断）     手动触发            │
│  ──────────────────           ──────────────      ──────────           │
│  claude-mem（PostToolUse）    Claude Code          Mem0（add()）        │
│  OpenClaw（工具事件）          Auto Memory          MemGPT（工具调用）   │
│  DeerFlow（对话结束）          Hermes Agent         LangMem Hot Path     │
│  Cognee（事件Hooks）          LangMem Background   claude-recall        │
│                               Zep（消息摄入）                           │
└────────────────────────────────────────────────────────────────────────┘

是否阻塞用户对话：
  不阻塞（异步/fire-and-forget）：claude-mem / OpenClaw / DeerFlow / LangMem Background
  阻塞（同步）：Mem0 add() / MemGPT 工具调用 / LangMem Hot Path

AI 压缩能力：
  有 AI 摘要压缩：claude-mem（AI提取observation）/ Mem0（LLM提取事实）/ MemGPT / LangMem / Zep / Cognee
  无 AI 压缩：Claude Code原生MEMORY / DeerFlow（LLM提取但无结构化压缩）/ OpenClaw基础版

---

七、记忆检索方式对比

检索维度对比：

维度1：检索时机
  会话开始预加载  → Claude Code / DeerFlow / Hermes L1-L2 / claude-mem（前50条）/ OpenClaw
  按需主动检索   → Mem0 search() / MemGPT 工具调用 / LangMem Hot Path / claude-mem MCP
  混合（预加载+按需）→ claude-mem（预加载+三层MCP） / Hermes（预加载+FTS）

维度2：检索方式
  全量注入：Claude Code MEMORY.md（≤25KB）/ DeerFlow（2K token预算）/ Hermes L1
  向量语义：Mem0 / LangMem / Zep / Cognee / claude-mem ChromaDB
  全文检索：Hermes FTS5 / claude-mem FTS5 / Zep（含全文）
  图遍历：Zep（图+向量+全文混合）/ Cognee（自动路由）
  置信度排序：DeerFlow（按confidence排序截取）

维度3：检索精准度（简单推断）
  高  →  Zep（图+时序）/ Cognee（图+自动路由）/ Mem0 V3（向量+实体）
  中  →  LangMem / claude-mem / Hermes
  低  →  Claude Code原生（全量）/ DeerFlow（置信度排序，无语义）

---

八、选型决策指南

8.1 使用场景 → 推荐框架

使用场景	首选框架	备选框架
Claude Code 用户提升编程记忆	claude-mem	Claude Code 原生 Auto Memory
多 Agent 工作流编排（含记忆）	DeerFlow 2.0	LangMem（LangChain 生态）
构建完整 Agent 运行时	OpenClaw / Hermes Agent	---
通用 AI 应用长期记忆层	Mem0 V3	LangMem
企业级跨会话时序推理	Zep / Graphiti	Cognee
复杂知识图谱关系推理	Cognee	Zep
研究/自主记忆调度实验	MemGPT / Letta	---
LangChain/LangGraph 技术栈	LangMem	Mem0
多平台消息 Agent（WhatsApp 等）	OpenClaw	---
轻量记忆，无 AI 压缩	claude-recall	Claude Code CLAUDE.md

8.2 技术优先级 → 推荐框架

优先级	最佳选择
时序推理最强	Zep / Graphiti（双时序模型）
基准分最高	Mem0 V3（LoCoMo 91.6%）
Token 最省	claude-mem（三层渐进检索）
最易上手	Mem0 V3（pip install，3行代码）
最强扩展性	Hermes Agent（8种 Provider ABC）
框架无关性最强	Mem0 V3 / Zep / Cognee
零运维成本	Claude Code 原生 / claude-mem
知识图谱推理	Cognee（三层统一存储，本体对齐）

8.3 分层使用建议（Claude Code 用户）

推荐三层分工：

CLAUDE.md（静态）
  └─ 存放：稳定规范、架构约束、技术栈说明
  └─ 维护：手动，团队共享

claude-mem（动态自动）
  └─ 存放：每次工作过程、发现、调试记录
  └─ 维护：全自动，零操作

Mem0 / Zep（可选，高阶）
  └─ 存放：跨项目通用用户画像、产品知识库
  └─ 维护：通过 API 集成

---

附：各框架技术要素速查

框架	语言	主存储	向量库	LLM 接口	许可证
Claude Code	TypeScript	MEMORY.md（文件）	---	Anthropic	闭源
DeerFlow 2.0	Python	JSON 文件 / TIAMAT	---	LangChain multi	MIT
Hermes Agent	Python	SQLite + FTS5	Provider 决定	插件化	开源
Mem0 V3	Python	Qdrant/pgvector	Qdrant	litellm multi	Apache 2.0
OpenClaw	TypeScript	SQLite（LanceDB）	LanceDB	Claude/GPT/Gemini	MIT
claude-mem	TypeScript	SQLite + FTS5	ChromaDB	Claude/Gemini/OpenRouter	AGPL-3.0
MemGPT/Letta	Python	PostgreSQL / SQLite	多种	litellm multi	Apache 2.0
LangMem	Python	PostgreSQL / InMemory	LangChain	LangChain multi	MIT
Zep	Python	Neo4j	内置（1024维）	多种	MIT（Graphiti）
Cognee	Python	多数据库统一	多种	多种	MIT

**