AI Agent Memory 开源项目全景对比

调研时间：2026-06-18 目的：横向对比 DB-Agent-Memory 与同赛道项目的设计取舍，为犀牛鸟参与做知识储备

7 个项目一览

设计思路对比

记忆组织方式（核心差异）

每个项目对”记忆怎么存”这个问题给出了不同答案：

扁平事实模式（mem0）：对话 → LLM 提取离散事实 → 存入向量数据库。简单直接，但缺乏层次关系，事实之间没有结构化联系。类比：把所有笔记扔进一个大抽屉，靠搜索找。

语义金字塔模式（DB-Agent-Memory）：L0 原始对话 → L1 原子事实 → L2 场景块 → L3 用户画像，逐层提炼。类比：从会议录音 → 会议纪要 → 项目进展 → 季度总结，每层都保留溯源链接。

虚拟内存模式（letta/MemGPT）：借鉴操作系统的虚拟内存管理——core memory（常驻内存）+ archival memory（交换区）+ recall memory（检索缓存）。Agent 自己决定何时 page in/out。类比：CPU 缓存 vs 内存 vs 硬盘的三级存储体系。

时序知识图谱模式（graphiti）：每个事实有两个时间戳——”事件何时发生”和”事实何时有效”。实体和关系随时间演化，旧事实自动失效。类比：Wiki 的版本历史，每个事实都有”创建—修改—失效”的生命周期。

认知层模式（cognee）：Extract-Cognify-Load 管线，把非结构化数据转化为可推理的知识网络。强调”理解”而非”记忆”。类比：从原始文献 → 概念地图 → 可以回答推理问题。

记忆操作系统模式（MemOS）：用 MemCube 把记忆标准化为”容器”，MemScheduler 做调度。类比：Docker 对应用做了什么，MemOS 对记忆做什么。

多层产品化模式（supermemory）：User Profiles + Memory Graph + Retrieval + Extractors + Connectors 五层。面向终端用户”让 AI 记住你”的产品方向。

存储后端对比

DB-Agent-Memory 的”零外部依赖”是其最大差异化特征——只需要 Node.js 和 SQLite，不依赖任何外部向量数据库或图数据库服务。

语言生态对比

DB-Agent-Memory 和 supermemory 是仅有的两个 TypeScript 项目，在 npm 生态中有天然优势。

记忆检索方式对比

代码量级对比

mem0:                  ~1,673 files
letta:                 ~1,155 files
cognee:                ~2,290 files
supermemory:            ~965 files
MemOS:                 ~1,796 files
graphiti:               ~200 files（核心精简）
TencentDB-Agent-Memory:  ~90 TS files（最精简）

DB-Agent-Memory 代码量最小，约 90 个 TypeScript 源文件，通读成本最低。

学习价值排序

从”理解 AI Memory 设计”的角度：

1. DB-Agent-Memory — 代码最精简，4 层金字塔设计清晰，TypeScript 可读性好，最适合通读
2. mem0 — 赛道标杆（55K star），理解”扁平事实提取”的基准实现
3. graphiti — 时序知识图谱方向的代表，核心代码仅 200 文件，设计精巧
4. letta/MemGPT — 理解”Agent 自管理记忆”的经典论文实现
5. cognee — ECL 管线设计有学术价值
6. supermemory — TypeScript 同语言对比，MCP 集成参考
7. MemOS — “记忆 OS”抽象有趣但代码量大，优先级低

推荐阅读路线

1. 先通读 DB-Agent-Memory 的 4 层管线（~90 文件，2-3 天）
2. 对比 mem0 的扁平事实提取（理解”为什么需要分层”）
3. 对比 graphiti 的时序图谱（理解”另一种分层思路”）
4. 如果时间允许，读 letta 的虚拟内存设计（理解”Agent 自主记忆管理”）

这个阅读顺序会让你从”理解一种设计” → “理解设计取舍” → “理解替代方案”递进。

生产级 Coding Agent 内建记忆：开源库之外的另一个世界

上面 7 个项目都是独立记忆库——它们被设计成可插拔的组件，任何 Agent 框架都能接入。但 2025-2026 年最成功的 Coding Agent（Claude Code、Codex、Cursor）走了一条完全不同的路：把记忆直接内建到 Agent 里，不依赖任何外部记忆库。

这种”内建记忆”和”独立记忆库”的差异，可以类比为手机内置相机 vs 专业单反相机：内置相机和系统深度集成（自动优化、即拍即用），专业单反功能更强但需要额外配置。

三条路线的分化

生产级 Agent 的记忆实现分化为三条技术路线：

路线一：文件即记忆（Claude Code）。Claude Code 的 memdir 模块把记忆存储为 Markdown 文件（MEMORY.md + 按项目/用户分层的目录结构）。读取时 Sonnet 模型从索引中挑选最多 5 个最相关的文件；写入时 extractMemories 在会话结束后用独立 Agent 从对话中提取值得记住的内容。核心设计哲学是人机协作——用户可以直接编辑 MEMORY.md，记忆文件本身就是人类可读的笔记。详见 Claude Code 记忆深度剖析。

路线二：两阶段异步管线（Codex）。Codex 的 memories 模块分为 Phase1（并行提取，concurrency=8）和 Phase2（全局整合 Agent）。Phase1 在每次任务完成后立即从对话中提取候选记忆条目，存入 SQLite staging 表；Phase2 是一个沙箱化的整合 Agent，以 6 小时冷却期触发，读取所有 staging 条目 + 现有 memories.md，用 git-diff 格式做增量更新。核心设计哲学是全自动——用户无需手动维护记忆。详见 Codex 记忆深度剖析。

路线三：Profile 文件 + MCP 桥接（Cursor 等）。Cursor 用 .cursor/rules/ 目录存储项目级 Profile，通过四种 apply 模式（alwaysApply / globs / description / manual）控制何时注入上下文。记忆不是自动提取的，而是开发者手动编写的规则文件。MCP 协议让外部记忆服务（supermemory、DB-Agent-Memory 等）可以作为”记忆后端”接入，形成桥接层。详见 MCP 记忆桥接层。

与开源记忆库的关键差异

这个对比表中最值得注意的是存储和检索的差异：开源库用向量数据库做语义检索，生产级 Agent 直接让 LLM 阅读 Markdown 文件。后者看起来”原始”，但在记忆总量可控（Claude Code 限制索引文件 200 行 / 25KB）的场景下，LLM 直接阅读的”理解深度”远超向量检索的”语义匹配”。

更完整的对比矩阵（12 维度 x 8 系统）见 生产级 vs 开源记忆对比；Claude Code 与 Codex 的正面对决见 Claude Code vs Codex 记忆对比。

B 线扩展研究导读

上述”三条路线”只是冰山一角。B 线扩展研究沿六条研究轴展开了更系统的探索：

A 轴（消费级 AI 记忆）：ChatGPT Memory 和 Gemini 个人上下文代表了面向终端用户的记忆设计——重隐私、重可控性、轻结构化。与 Coding Agent 的自动化倾向截然不同。详见 消费级 AI 记忆横评。

B 轴（Coding Agent 记忆横评）：除了 Claude Code 和 Codex，还横向覆盖了 OpenClaw（Pre-compaction flush + Dreaming 整合）、Cursor（Memories Beta + Rules 体系）、Aider（conventions.md + map-repo）、Continue（.continuerules + @docs 上下文）六个 Coding Agent 的记忆实现。详见 Coding Agent 记忆横评。

C 轴（Profile vs User Memory 边界）：CLAUDE.md / AGENTS.md / .cursor/rules 都是 Profile 文件，不是真正的 User Memory。两者在写入方式、检索能力、遗忘机制、冲突处理、协作场景五个维度上有根本差异。Memory Bank 社区模式是用 Profile 模拟 Memory 的典型案例，揭示了过渡阶段的真实需求。详见 Profile 与 User Memory 边界。

D 轴（MCP 记忆拓扑）：MCP 正在成为跨 Agent 记忆共享的标准——三种部署拓扑（Host-Adapter、Pure Server、混合）各有适用场景。DB-Agent-Memory 的 Host-Adapter 架构在多 Agent 订阅和 workspace 隔离方面有独特优势。详见 MCP 记忆拓扑精读。

E 轴（框架内建记忆）：tRPC-Agent-Go（Fact/Episode 双层）、Letta（Core/Archival Agent 自管理）、LangGraph（Store + cross-thread）三种框架走了完全不同的记忆路线。详见 框架内建记忆横评。

F 轴（设计模式 + 概念边界）：跨所有项目抽象出 8 种记忆设计模式（flush、索引+检索、pipeline、金字塔、虚拟内存、时序图、MCP 外挂、Rules-as-Memory-Bank）。Memory 和 RAG 的边界在”提炼后知识”区域有重叠但不可互换。详见 记忆设计模式目录 和 Memory 与 RAG 边界。

犀牛鸟聚焦：DB-Agent-Memory 在腾讯记忆生态中的定位——与 WeKnora（RAG 平台）、OpenClaw（Coding Agent）、MemOS（记忆 OS）的协同关系。详见 腾讯记忆生态。