12.7 AI Memory 产品全景

金鱼与伟大助手的区别

如果你曾经和 AI 聊天机器人对话超过五分钟,你可能经历过这样的沮丧:

你:"我刚才说了我对海鲜过敏。"
AI:"好的!那我推荐你这家超棒的海鲜餐厅..."

金鱼的记忆只有 7 秒(虽然这是个迷思),但至少它们不会主动给你推荐过敏食物。

记忆力,正是区分金鱼和伟大助手的关键。

在 2024 年,AI 记忆还是个"nice to have"的高级功能;到了 2026 年,它已经成为 AI 应用的必需品。没有记忆系统的 AI Agent,就像患了失忆症的秘书——每次对话都是初次见面,每个问题都要从头解释。

本章将带你探索 2026 年的 AI 记忆产品全景,从开源框架到企业级解决方案,看看这些工具如何让你的 AI 不再是"一问一答的自动售货机",而是真正"记得你"的智能伙伴。

为什么 AI 记忆在 2026 年如此重要

从可选到必选的转变

2023-2024:记忆是实验性功能

LangChain 的 ConversationBufferMemory 是主流
大多数应用依赖上下文窗口硬塞历史记录
记忆管理是"能做就做"的加分项

2025-2026:记忆成为核心基础设施

用户期望 AI 能记住跨会话的偏好和上下文
企业级应用需要合规的记忆存储和检索
多 Agent 协作需要共享记忆池
个性化推荐依赖长期记忆积累

现实案例

一个客服 AI 如果不记得客户上周已经投诉过同一个问题,会让客户重复描述问题 3 遍。这不是"智能客服",这是"智商捉急"。

记忆 vs 上下文窗口:不是一回事

很多人误以为"GPT-4 有 128K 上下文窗口,还需要什么记忆系统?"

特性	上下文窗口	记忆系统
生命周期	单次会话	跨会话持久化
容量	受限于模型(如 128K tokens)	理论上无限
成本	按 token 计费,长上下文贵	独立存储,成本可控
检索能力	顺序读取,无结构化查询	向量检索、图查询、时序过滤
更新机制	不可编辑	可增删改

上下文窗口就像你的工作桌面——能放的东西有限,会话结束就清空了。
记忆系统就像你的文件柜——分类存储,随时调取,永久保存。

AI 记忆的分类法

在深入产品对比之前,我们需要理解 AI 记忆的基本分类。这套分类法借鉴了认知心理学和神经科学:

1. 短期记忆 (Short-term Memory)

时间范围:当前会话
典型用途:对话上下文、临时任务状态
技术实现:上下文窗口、Redis 缓存

python

# 短期记忆示例:维护对话历史
short_term = {
    "messages": [
        {"role": "user", "content": "我想买一台笔记本电脑"},
        {"role": "assistant", "content": "预算是多少?"}
    ]
}

2. 长期记忆 (Long-term Memory)

时间范围:跨会话、永久性
典型用途:用户画像、知识库、历史交互
技术实现:向量数据库、关系数据库

python

# 长期记忆示例:用户偏好档案
long_term = {
    "user_id": "user_123",
    "preferences": {
        "budget_range": "5000-8000元",
        "brand_preference": ["Apple", "ThinkPad"],
        "allergies": ["海鲜", "花生"]
    }
}

3. 情景记忆 (Episodic Memory)

内容类型:具体事件、交互历史
典型用途:"你上次推荐的那家餐厅"、"我们3月份讨论的项目"
技术实现:时间戳标记的事件流、检索增强生成

4. 语义记忆 (Semantic Memory)

内容类型:抽象知识、概念关系
典型用途:"用户喜欢日式料理"、"客户A和客户B有合作关系"
技术实现:知识图谱、向量嵌入

记忆层级类比

短期记忆 = 电脑的 RAM
长期记忆 = 硬盘
情景记忆 = 照片相册(带时间戳)
语义记忆 = 维基百科(结构化知识)

2026 年主流 AI 记忆产品对比

产品对比表

产品	维护方	核心特性	适用场景	开源/商业	价格模型
Mem0	Mem0 AI	自动记忆提取、多级存储	对话 AI、Agent 记忆	开源+托管服务	免费层 + 按调用计费
Letta	Letta (前 MemGPT)	自编辑内存、分层架构	复杂 Agent、长期任务	开源+云服务	开源免费,云服务 $49/月起
MemOS	腾讯	AI 记忆操作系统	企业级多 Agent	内测中	企业定价
Graphiti	Zep	时序知识图谱	关系密集型应用	开源	免费
LangMem	LangChain	LangGraph 原生记忆	LangGraph Agent	开源	免费
A-MEM	学术项目	多模态记忆框架	研究原型	开源	免费

详细产品解析

🧠 Mem0:最亲民的记忆层

官网: https://mem0.ai
GitHub: https://github.com/mem0ai/mem0

核心卖点:

自动记忆提取:无需手动标记,AI 自动从对话中提取关键信息
多级存储:L1(工作记忆) → L2(短期记忆) → L3(长期记忆)
托管服务:不想自己搭建?用官方 API 就行

典型工作流:

用户对话 → Mem0 自动提取关键信息 → 存入向量数据库 → 后续对话自动检索相关记忆

优势:

上手简单,5 分钟集成
官方托管服务省去运维成本
支持多用户、多 Agent 的记忆隔离

劣势:

记忆提取的准确性依赖底层 LLM
托管服务的定价在高并发场景下可能较贵

Mem0 集成示例TypeScript 版本

python

from mem0 import Memory

# 初始化记忆系统
memory = Memory()

# 添加记忆(自动提取)
messages = [
    {"role": "user", "content": "我叫张伟,在北京工作"},
    {"role": "assistant", "content": "你好张伟!"},
    {"role": "user", "content": "我喜欢川菜,不吃辣椒"}
]

memory.add(messages, user_id="user_001")

# 检索相关记忆
query = "推荐一家餐厅"
relevant_memories = memory.search(
    query=query, 
    user_id="user_001",
    limit=3
)

print(relevant_memories)
# 输出:
# [
#   {"memory": "用户名叫张伟", "score": 0.85},
#   {"memory": "用户喜欢川菜", "score": 0.92},
#   {"memory": "用户不吃辣椒", "score": 0.88}
# ]

# 整合记忆到提示词
prompt = f"""
用户查询: {query}

相关记忆:
{chr(10).join([f"- {m['memory']}" for m in relevant_memories])}

请基于记忆推荐餐厅。
"""

typescript

import { Memory } from '@mem0/sdk';

const memory = new Memory({ apiKey: process.env.MEM0_API_KEY });

// 添加记忆
await memory.add(
  [
    { role: 'user', content: '我叫张伟,在北京工作' },
    { role: 'user', content: '我喜欢川菜,不吃辣椒' }
  ],
  { userId: 'user_001' }
);

// 检索记忆
const memories = await memory.search({
  query: '推荐一家餐厅',
  userId: 'user_001',
  limit: 3
});

console.log(memories);

🤖 Letta (前 MemGPT):学术派的自我进化记忆

官网: https://letta.ai
GitHub: https://github.com/letta-ai/letta

核心思想:受操作系统虚拟内存启发,让 AI 自己管理记忆

分层架构:

┌─────────────────────────────────────────┐
│  Recall Memory (调用记忆)               │  ← 主动检索
├─────────────────────────────────────────┤
│  Archival Memory (档案记忆)             │  ← 长期存储
├─────────────────────────────────────────┤
│  Core Memory (核心记忆)                 │  ← 始终加载
│  - Persona (角色设定)                    │
│  - Human Info (用户信息)                 │
└─────────────────────────────────────────┘

独特功能:

自编辑记忆:Agent 可以主动修改自己的核心记忆
内存分页:超出上下文限制时自动换页
函数调用驱动:通过 function calling 操作记忆

适用场景:

需要长期运行的 Agent(如个人助理、项目经理 Agent)
需要 Agent 自主学习和调整行为的场景

示例:

python

from letta import create_client

client = create_client()

# 创建带记忆的 Agent
agent = client.create_agent(
    name="personal_assistant",
    persona="你是一个贴心的个人助理",
    human="用户是一名软件工程师,喜欢高效工作流"
)

# 对话中 Agent 会自动管理记忆
response = agent.send_message(
    "我下周要去上海出差,帮我记住"
)

# Agent 的内部操作(自动):
# 1. 调用 core_memory_append("用户下周去上海出差")
# 2. 生成回复:"已记录,需要我帮你查航班吗?"

🏢 MemOS:腾讯的企业级记忆操作系统

发布时间: 2025 年底内测,2026 年初公测
定位: AI 应用的"记忆操作系统"

核心架构:

统一记忆总线:所有 Agent 共享一个记忆池
权限管理:细粒度的记忆访问控制
多模态支持:文本、图像、音频的统一记忆表示
合规性:内置数据脱敏、审计日志

企业特性:

私有化部署
符合中国数据安全法规
与企业微信、腾讯会议等生态集成

典型客户:

大型企业的客服系统
政府机构的 AI 助手
金融行业的风控 Agent

商业产品

MemOS 目前不提供公开的开源版本,仅面向企业客户。定价据传是按"记忆存储量"和"API 调用次数"双轨计费。

🕸️ Graphiti (by Zep):图数据库爱好者的福音

GitHub: https://github.com/getzep/graphiti
维护方: Zep (知名的 LangChain 记忆插件开发商)

核心特性:

时序知识图谱:每个记忆节点都带时间戳
关系推理:自动发现实体间的隐含关系
时间旅行:"2025 年 3 月时,客户 A 和供应商 B 是什么关系?"

数据模型:

(用户:张伟)-[:WORKS_AT {since: "2024-01"}]->(公司:TechCorp)
(用户:张伟)-[:LIKES {intensity: 0.9}]->(食物:川菜)
(食物:川菜)-[:CONTAINS]->(成分:辣椒)
(用户:张伟)-[:AVOIDS {reason: "过敏"}]->(成分:海鲜)

查询示例:

python

# 查询:"张伟可以吃的川菜餐厅"
query = """
MATCH (user:User {name: '张伟'})-[:LIKES]->(cuisine:Cuisine {name: '川菜'})
MATCH (user)-[:AVOIDS]->(avoid:Ingredient)
MATCH (restaurant:Restaurant)-[:SERVES]->(cuisine)
WHERE NOT (restaurant)-[:USES]->(avoid)
RETURN restaurant
"""

适用场景:

社交关系密集的应用(如推荐系统)
需要复杂推理的 Agent(如侦探 Agent、调查 Agent)
知识密集型场景(如企业知识图谱)

🦜 LangMem:LangChain 官方的记忆方案

GitHub: https://github.com/langchain-ai/langmem
发布时间: 2025 年 10 月

设计哲学:

LangGraph 原生:与 LangGraph 的状态管理无缝集成
模块化:可插拔的记忆后端(PostgreSQL、Pinecone、Qdrant...)
开箱即用:零配置的默认记忆策略

集成示例:

python

from langgraph.graph import StateGraph
from langmem import LangMem

# 初始化记忆层
memory = LangMem(backend="postgresql://localhost/memories")

# 在 LangGraph 中使用
def chatbot_node(state):
    # 自动检索相关记忆
    memories = memory.retrieve(
        query=state["user_input"],
        user_id=state["user_id"]
    )
    
    # 增强提示词
    enriched_prompt = f"{state['user_input']}\n\n记忆:{memories}"
    
    # ... 调用 LLM
    
    # 自动保存新记忆
    memory.save(
        content=state["assistant_response"],
        user_id=state["user_id"]
    )
    
    return state

workflow = StateGraph()
workflow.add_node("chat", chatbot_node)
# ...

优势:

LangChain 生态用户无学习成本
官方维护,长期支持有保障

劣势:

功能相对基础,高级特性(如知识图谱)需自行扩展

🔬 A-MEM 与 GAM:学术界的探索

A-MEM (Associative Memory Framework):

受人类联想记忆启发
支持多模态记忆(文本+图像+音频)
论文:ArXiv 2024

GAM (General Agentic Memory):

统一的记忆表示格式
跨框架的记忆迁移协议
目标:让 Mem0、Letta、LangMem 的记忆可以互通

学术项目使用建议

这些项目更适合研究和原型验证,生产环境建议等待其成熟或选择商业化产品。

如何选择合适的记忆方案

决策树

场景推荐

场景	推荐方案	理由
MVP/快速原型	Mem0 托管服务	5 分钟集成,无需运维
个人助理 Agent	Letta	自编辑记忆,长期学习能力强
企业客服系统	MemOS (中国) / Letta (海外)	合规性+多 Agent 协作
社交推荐系统	Graphiti	关系推理能力强
LangGraph 项目	LangMem	生态一致性
学术研究	A-MEM / GAM	最新研究成果

成本考量

托管服务成本估算(以 Mem0 为例):

用户规模	月活记忆操作	预估成本
小型(< 1000 用户)	10 万次	$29/月
中型(1000-1 万用户)	100 万次	$299/月
大型(> 1 万用户)	1000 万次	$2999/月或自建

自建成本:

向量数据库(Qdrant/Pinecone):$100-500/月
计算资源:$50-200/月
人力维护:取决于团队规模

成本优化建议

小项目:用托管服务,省下的时间价值 > 托管费用
大项目:自建,长期成本更低且可控
混合方案:开发环境用托管,生产环境自建

实战:用 Mem0 打造记忆驱动的客服 Agent

让我们用一个完整的例子,展示如何集成 Mem0 构建一个"真正记得客户"的客服 AI。

需求场景

一家电商的客服系统,需要:

记住客户的订单历史
记住客户的投诉和偏好
跨会话保持上下文

代码实现

完整实现记忆管理工具

python

import os
from mem0 import Memory
from openai import OpenAI

# 初始化
memory = Memory()
openai_client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

def customer_service_agent(user_id: str, user_message: str) -> str:
    """带记忆的客服 Agent"""
    
    # 1. 检索相关记忆
    relevant_memories = memory.search(
        query=user_message,
        user_id=user_id,
        limit=5
    )
    
    # 2. 构建增强提示词
    memory_context = "\n".join([
        f"- {m['memory']}" for m in relevant_memories
    ])
    
    system_prompt = f"""
你是一个贴心的电商客服。

关于这位客户的历史记忆:
{memory_context if memory_context else "(暂无历史记忆)"}

请基于记忆提供个性化服务。如果客户之前投诉过,要主动提及并询问问题是否已解决。
"""
    
    # 3. 调用 LLM
    response = openai_client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_message}
        ]
    )
    
    assistant_reply = response.choices[0].message.content
    
    # 4. 保存新记忆
    memory.add(
        [
            {"role": "user", "content": user_message},
            {"role": "assistant", "content": assistant_reply}
        ],
        user_id=user_id
    )
    
    return assistant_reply

# 测试对话
if __name__ == "__main__":
    user_id = "customer_12345"
    
    # 第一次对话
    print("客户:", msg1 := "我买的耳机有杂音")
    print("客服:", customer_service_agent(user_id, msg1))
    # 输出:"非常抱歉给您带来不便。请问是哪个型号?我们立即为您处理。"
    
    print("\n--- 三天后 ---\n")
    
    # 第二次对话(新会话)
    print("客户:", msg2 := "我想查一下我的订单")
    print("客服:", customer_service_agent(user_id, msg2))
    # 输出:"好的!顺便问一下,上次耳机杂音的问题解决了吗?需要我帮您查看售后进度吗?"
    # ☝️ 注意:Agent 主动提及了上次的问题!

python

def view_customer_memories(user_id: str):
    """查看某个客户的所有记忆"""
    all_memories = memory.get_all(user_id=user_id)
    print(f"\n=== 客户 {user_id} 的记忆档案 ===")
    for idx, mem in enumerate(all_memories, 1):
        print(f"{idx}. {mem['memory']} (相关性: {mem['score']:.2f})")

def delete_outdated_memories(user_id: str, days: int = 90):
    """删除超过 N 天的旧记忆"""
    from datetime import datetime, timedelta
    cutoff_date = datetime.now() - timedelta(days=days)
    
    all_memories = memory.get_all(user_id=user_id)
    for mem in all_memories:
        if mem['created_at'] < cutoff_date:
            memory.delete(memory_id=mem['id'])
            print(f"已删除过期记忆: {mem['memory']}")

# 使用示例
view_customer_memories("customer_12345")
delete_outdated_memories("customer_12345", days=90)

效果对比

无记忆系统:

客户:"我的订单呢?"
客服:"请提供订单号。"
客户:"我刚才说过了!" 😡

有记忆系统:

客户:"我的订单呢?"
客服:"您是指昨天的耳机订单(订单号 #12345)吗?目前已发货,预计明天送达。" ✅

记忆系统的高级话题

1. 记忆冲突处理

当新记忆与旧记忆矛盾时怎么办?

案例:

旧记忆:"用户喜欢辣的食物"
新信息:"用户说不吃辣了"

处理策略:

时间优先:新记忆覆盖旧记忆(Mem0 默认)
置信度加权:根据来源可靠性决定
版本管理:保留历史版本,标记"已过期"

2. 多 Agent 记忆共享

场景:客服 Agent A 记录的信息,销售 Agent B 也需要知道。

方案:

python

# 全局记忆池
memory.add(
    content="客户对价格敏感",
    user_id="customer_123",
    metadata={
        "visibility": "global",  # 所有 Agent 可见
        "created_by": "customer_service_agent"
    }
)

# Agent B 检索时自动获取
memories = memory.search(
    query="推荐产品",
    user_id="customer_123",
    filters={"visibility": "global"}
)

3. 隐私与合规

GDPR / 中国个人信息保护法要求:

✅ 用户有权查看自己的记忆数据
✅ 用户有权删除自己的记忆
✅ 敏感信息(如身份证号)需脱敏

实现:

python

# 用户请求删除数据
def handle_deletion_request(user_id: str):
    memory.delete_all(user_id=user_id)
    print(f"已删除用户 {user_id} 的所有记忆")

# 敏感信息脱敏
def sanitize_memory(text: str) -> str:
    import re
    # 脱敏身份证号
    text = re.sub(r'\d{17}[\dXx]', '***身份证***', text)
    # 脱敏手机号
    text = re.sub(r'1[3-9]\d{9}', '***手机号***', text)
    return text

One-Liner Summary

AI 记忆产品的核心是"让 AI 在对的时候想起对的事"——选 Mem0 快速上手,选 Letta 深度定制,选 MemOS 满足合规,选 Graphiti 玩转关系;无论哪个,记得测试"记忆检索准确率"而不是"存储容量",因为一个记性好但总答非所问的助手,还不如金鱼。

12.7 AI Memory 产品全景 ​

金鱼与伟大助手的区别 ​

为什么 AI 记忆在 2026 年如此重要 ​

从可选到必选的转变 ​

记忆 vs 上下文窗口:不是一回事 ​

AI 记忆的分类法 ​

1. 短期记忆 (Short-term Memory) ​

2. 长期记忆 (Long-term Memory) ​

3. 情景记忆 (Episodic Memory) ​

4. 语义记忆 (Semantic Memory) ​

2026 年主流 AI 记忆产品对比 ​

产品对比表 ​

详细产品解析 ​

🧠 Mem0:最亲民的记忆层 ​

🤖 Letta (前 MemGPT):学术派的自我进化记忆 ​

🏢 MemOS:腾讯的企业级记忆操作系统 ​

🕸️ Graphiti (by Zep):图数据库爱好者的福音 ​

🦜 LangMem:LangChain 官方的记忆方案 ​

🔬 A-MEM 与 GAM:学术界的探索 ​

如何选择合适的记忆方案 ​

决策树 ​

场景推荐 ​

成本考量 ​

实战:用 Mem0 打造记忆驱动的客服 Agent ​

需求场景 ​

代码实现 ​

效果对比 ​

记忆系统的高级话题 ​

1. 记忆冲突处理 ​

2. 多 Agent 记忆共享 ​

3. 隐私与合规 ​

One-Liner Summary ​

12.7 AI Memory 产品全景

金鱼与伟大助手的区别

为什么 AI 记忆在 2026 年如此重要

从可选到必选的转变

记忆 vs 上下文窗口:不是一回事

AI 记忆的分类法

1. 短期记忆 (Short-term Memory)

2. 长期记忆 (Long-term Memory)

3. 情景记忆 (Episodic Memory)

4. 语义记忆 (Semantic Memory)

2026 年主流 AI 记忆产品对比

产品对比表

详细产品解析

🧠 Mem0:最亲民的记忆层

🤖 Letta (前 MemGPT):学术派的自我进化记忆

🏢 MemOS:腾讯的企业级记忆操作系统

🕸️ Graphiti (by Zep):图数据库爱好者的福音

🦜 LangMem:LangChain 官方的记忆方案

🔬 A-MEM 与 GAM:学术界的探索

如何选择合适的记忆方案

决策树

场景推荐

成本考量

实战:用 Mem0 打造记忆驱动的客服 Agent

需求场景

代码实现

效果对比

记忆系统的高级话题

1. 记忆冲突处理

2. 多 Agent 记忆共享

3. 隐私与合规

One-Liner Summary