supermemory 深度解读

“用户产品而非开发者工具——让普通人的 AI 助手也有长期记忆”

一句话定位

面向终端用户的”让 AI 记住你”产品，核心是 Profile API + Browser Extension + MCP 集成，走的是产品化路线而非技术深度路线，在 LongMemEval、LoCoMo、ConvoMem 三大 benchmark 上排名第一。

设计哲学上最精彩的地方

supermemory 和其他 6 个项目的根本区别在于它回答的是一个不同的问题。其他项目问的是”开发者如何给 Agent 加记忆”，supermemory 问的是“普通用户如何让自己的 AI 记住自己”。

日常类比：mem0、Letta、cognee 是给厨师用的专业灶台，supermemory 是给普通人用的电饭煲。你在浏览器里看到一篇文章、一段对话、一个灵感，一键保存到 supermemory，然后你的 AI 助手就能记住这些信息。记忆的来源不只是对话，还有阅读、浏览、搜索——这个”捕获入口”的设计是其他项目完全没做的。

Profile API——从事实集合到用户画像

supermemory 的 Profile API 把用户的记忆组织为结构化的画像，而不是”一堆事实的集合”。这和 DB-Agent-Memory 的 L3 用户画像有相似之处，但关键区别在于：DB-Agent-Memory 是系统自动提炼画像，supermemory 是用户手动 curate（整理）+ 系统辅助。用户可以主动编辑、修正、删除画像中的条目，这在需要精确控制 AI 认知的场景下很有价值。

supermemory 还引入了 Dynamic Dreaming 机制——类似 MemOS 的 Dream Pipeline，在后台自动整理、关联和巩固记忆，但更侧重于用户画像的持续更新。

MCP 集成与三流混合检索

supermemory 提供 MCP Server，任何支持 MCP 的 AI 工具（Claude、Cursor 等）都可以直接调用它的记忆。这个集成路径很有当下价值——MCP 正在成为 AI 工具互联的事实标准。

检索上，supermemory 采用三流融合：BM25 关键词检索 + 向量语义检索 + Memory Graph 图遍历，融合后在 sub-300ms 延迟内返回结果。在 7 个项目中，supermemory 是少数同时做了 BM25 + 向量 + 图的项目（DB-Agent-Memory 做了 BM25 + 向量但没有图，Graphiti 做了向量 + 图但没有 BM25）。

场景边界——技术深度有限

supermemory 是 TypeScript 项目，和 DB-Agent-Memory 在语言生态上直接竞争。但它的设计重心在产品体验而非技术深度——如果你需要四层语义金字塔、时序边失效、Ontology 驱动的知识组织，supermemory 提供不了。它更适合”轻量级个人记忆 + 跨 AI 工具共享”的场景。benchmark 上的好成绩更多来自工程优化（三流融合 + 重排）而非架构创新。

本地代码结构

supermemory/
  apps/
    web/                       # Web 应用前端
    extension/                 # 浏览器扩展（记忆捕获入口）
    mcp-server/                # MCP Server（对接 Claude/Cursor 等）
  packages/
    core/                      # 核心引擎
      memory/
        memory-engine.ts       # 记忆引擎主逻辑
        profile.ts             # Profile API（用户画像）
      search/
        hybrid-search.ts       # 三流混合检索（BM25 + 向量 + 图）
        reranker.ts            # 重排器
      graph/
        memory-graph.ts        # Memory Graph 构建与遍历
    db/                        # 数据库层（SQLite）
    sdk/                       # SDK 封装
  docker/
  docs/

本地关键文件