犀牛鸟 2026 研究笔记 estelledc.github.io
首页 / 赛道研究 / AI Agent 记忆

生产级 Agent 记忆全景

本文是 B 线（AI Memory 扩展研究）的总览——串联 7 个开源项目精读、2 篇生产 Agent 记忆精读、10 篇扩展研究，提供完整的阅读路线和核心发现。

调研元信息

项目 值
调研日期 2026-06-22
涉及研究轴 全部六轴（A-F）
文件总数 12 篇新建 + 4 篇增量更新
证据等级 汇总——各篇详见自身证据表

一句话定位

AI Agent 记忆从”要不要有”演进到”怎么做好”——6 条研究轴覆盖消费级到生产级、Profile 到 External、扁平事实到时序图谱、单 Agent 到 MCP 共享的完整光谱。

六轴 + 七开源 + 四生产 关系图

flowchart TB
    subgraph axis_a["A轴: 消费级"]
        ChatGPT["ChatGPT Memory"]
        Gemini["Gemini 个人上下文"]
    end

    subgraph axis_b["B轴: Coding Agent"]
        CC["Claude Code<br/>memdir + extractMemories"]
        CX["Codex<br/>Phase1/2 pipeline"]
        OC["OpenClaw<br/>flush + dreaming"]
        CU["Cursor Memories Beta"]
    end

    subgraph axis_c["C轴: Profile"]
        CLAUDE_MD["CLAUDE.md"]
        AGENTS_MD["AGENTS.md"]
        CURSOR_RULES[".cursor/rules"]
    end

    subgraph axis_d["D轴: MCP 外挂"]
        SM["supermemory<br/>MCP Server"]
        DBAM_MCP["DB-Agent-Memory<br/>MCP Adapter"]
        M0_MCP["mem0<br/>MCP adapter"]
    end

    subgraph axis_e["E轴: 框架内建"]
        TRPC["tRPC-Agent-Go<br/>Fact/Episode"]
        LETTA["Letta<br/>Core/Archival"]
        LG["LangGraph Store"]
    end

    subgraph axis_f["F轴: 设计模式"]
        PAT["8种模式<br/>flush/索引/pipeline/金字塔<br/>虚拟内存/时序图/MCP/Bank"]
    end

    subgraph opensource["7个开源项目"]
        M0["mem0"]
        DBAM["DB-Agent-Memory"]
        LT["Letta"]
        GR["Graphiti"]
        COG["cognee"]
        SM2["supermemory"]
        MOS["MemOS"]
    end

    axis_d --> DBAM
    axis_d --> SM2
    axis_e --> LT
    CC --> axis_c
    CX --> axis_c
    DBAM --> axis_f

四条记忆演进路线

路线 代表 核心思路 适用场景
扁平事实 mem0 对话→提取事实→向量存储→检索 快速集成、简单场景
分层蒸馏 DB-Agent-Memory L0→L1→L2→L3 逐层提炼 + MMD 注入 多粒度查询、成本优化
时序图谱 Graphiti 事实→图节点+时序边→过期失效 事实频繁变化的领域
AI Pipeline Codex 并行提取→隔离合并→全量注入 离线批量整合、高质量产物

补充路线：MCP 外挂（supermemory、DB-Agent-Memory MCP Adapter——任何 Agent 都能接入）、Profile-only（AGENTS.md、.cursor/rules——无 User Memory 时的权宜之计）。

推荐阅读顺序

入门路线（先建立全景）

  1. AI Memory 全景 — 7 个开源项目横向对比
  2. Coding Agent 记忆横评 — 6 个 Coding Agent 记忆能力对比
  3. 记忆设计模式目录 — 8 种模式速查

深读路线（按优先级）

P0 核心：

  1. 精读: Claude Code 记忆 — 索引+语义检索
  2. 精读: Codex 记忆 — 两阶段 AI pipeline
  3. 精读: OpenClaw Memory Flush — Pre-compaction flush

P0 MCP：

  1. MCP 记忆集成层 — Profile/MCP/Memory Bank 基础
  2. 精读: MCP 记忆拓扑 — 多 Agent 拓扑深入

P1 模式与边界：

  1. Profile 与 User Memory 边界
  2. 腾讯记忆生态
  3. Memory 与 RAG 边界

矩阵对比：

  1. 生产 Agent vs 开源记忆库 — 12 维大矩阵
  2. Claude Code vs Codex 记忆 — Head-to-head

P2 扩展：

  1. 框架内建记忆横评
  2. 消费级 AI 记忆横评

犀牛鸟聚焦路线

如果只为犀牛鸟备赛，优先读：DB-Agent-Memory 精读 → OpenClaw flush（集成场景）→ MCP 拓扑（Adapter 增强）→ 腾讯生态（全局定位）→ 大矩阵（竞品定位）。

核心发现（五条）

1. 写入时机三分天下

Claude Code 的”持续学习”（每次响应后）、Codex 的”回顾学习”（session 间批量）、OpenClaw 的”抢救保存”（compaction 前）代表了三种根本不同的设计哲学。没有绝对优劣，取决于对延迟、成本和覆盖率的权衡。

2. MCP 正在成为记忆共享的标准

无论 Agent 有无内建记忆，MCP 都在扮演桥梁角色——无内建记忆的 Agent（Cline）通过 MCP 获得记忆能力，有内建记忆的 Agent（Claude Code）通过 MCP 获得外部记忆源。DB-Agent-Memory 的 Host-Adapter 架构在这个桥梁中位置最有利。

3. Profile 和 User Memory 的混淆是普遍问题

Memory Bank 社区模式证明了用 Profile 模拟 Memory 的需求是真实的，但这种做法继承了 Profile 的所有缺陷（无检索、无冲突合并、人工触发）。正确的方向是 MCP 外挂记忆服务。

4. 遗忘机制是被忽视的关键

8 个系统中只有 3 个有遗忘机制。大多数记忆系统只增不减，长期运行必然信息过载。DB-Agent-Memory 可以从 Graphiti（时序失效）和 Codex（citation 驱动淘汰）借鉴遗忘策略。

5. Memory 和 RAG 是互补而非替代

Memory（从交互中学到的经验）和 RAG（从文档中查到的知识）在”提炼后知识”区域有重叠，但个性化粒度、写入触发、时效性要求的差异使两者不可互换。DB-Agent-Memory 和 WeKnora 的协同是腾讯生态的潜在优势。

犀牛鸟建议（DB-Agent-Memory）

高优先级

中优先级

探索性

局限性

  1. 本文为汇总性质，各论点的详细证据见对应精读文档。
  2. 犀牛鸟建议为推导方向，尚未与赛道导师确认可行性。
  3. 生态演进很快，部分信息可能在发布后过时。