生产 Agent vs 开源记忆库：大矩阵

本文汇总全部已有精读，以矩阵形式呈现差异。各项目详细分析见对应精读文档。

调研元信息

一句话定位

将 3 个生产 Coding Agent（Claude Code、Codex、OpenClaw）和 5 个开源记忆库/服务（mem0、DB-Agent-Memory、Letta、Graphiti、supermemory）放在同一张 12 维矩阵中对照——揭示”产品内建记忆”和”独立记忆库”的根本差异。

大矩阵

关键发现

发现 1：写入时机的三种哲学

flowchart LR
    subgraph continuous["持续学习（每次响应）"]
        CC["Claude Code<br/>extractMemories"]
    end

    subgraph retrospective["回顾学习（批量）"]
        CX["Codex<br/>Phase1 in session start"]
    end

    subgraph emergency["抢救保存（压缩前）"]
        OC["OpenClaw<br/>pre-compaction flush"]
    end

    continuous -.->|"频率最高<br/>成本最高"| NOTE1[" "]
    retrospective -.->|"延迟最大<br/>质量最高"| NOTE2[" "]
    emergency -.->|"最聚焦<br/>只在危急时"| NOTE3[" "]

三种生产 Agent 代表了三种截然不同的写入哲学——Claude Code 的”持续学习”意味着每次交互都可能产生记忆，成本最高但覆盖最全；Codex 的”回顾学习”在 session 间隙批量处理，延迟最大但产出质量最高（有 consolidation agent 做整合）；OpenClaw 的”抢救保存”只在上下文即将被压缩时才触发，最聚焦但可能遗漏非高频交互中的信息。

发现 2：存储模型的两极

产品内建记忆倾向文件系统（Claude Code 用 Markdown、OpenClaw 用 Markdown、Codex 用 SQLite+文件），开源记忆库倾向数据库（mem0 用向量 DB、Letta 用 PostgreSQL、Graphiti 用 Neo4j）。DB-Agent-Memory 是例外——虽然是独立库但使用零依赖的 SQLite，介于两者之间。

原因推测：产品内建记忆不需要复杂查询（文件 grep 足够），且文件系统方便用户手动查看/编辑（MEMORY.md 就是 Markdown 文件）。开源库需要支持多种检索模式（向量/图/BM25），数据库是更自然的选择。

发现 3：遗忘机制的缺失

8 个系统中只有 3 个有明确的遗忘/淘汰机制（Claude Code 硬截断、Codex 隐式淘汰、Graphiti 时序失效）。大多数系统的记忆只增不减——这在长期运行中必然导致信息过载。DB-Agent-Memory 可以从 Graphiti 借鉴时序失效、从 Codex 借鉴 usage_count 淘汰，这是一个明确的改进方向。

发现 4：MCP 作为桥梁

MCP 正在成为连接两个世界的桥梁——内建记忆不足的 Agent（Cline、旧版 Cursor）通过 MCP 接入开源记忆库获得能力补充；内建记忆完整的 Agent（Claude Code）通过 MCP 获得外部记忆源（浏览器知识、跨 Agent 共享）。DB-Agent-Memory 的 Host-Adapter 架构在这个桥梁中处于最有利位置——它同时支持 MCP 和深度框架集成。

发现 5：DB-Agent-Memory 的独特定位

在矩阵中，DB-Agent-Memory 是唯一一个：零外部依赖 + 四层分层 + Host-Adapter 解耦 + MMD 注入优化 + 代码量最小（~90 文件）。它的每个维度都不是最强的，但组合起来形成了最独特的定位——一个轻量级、可嵌入、框架无关的记忆引擎。

局限性

1. Cursor Memories Beta 内部实现未知：未纳入矩阵（信息不足以做公平对比） [文档]。
2. 代码量数字来自不同时间点的统计：可能已过时 [已有]。
3. supermemory 和 cognee 的某些维度信息有限：标注”不确定”处需进一步验证。

证据等级汇总

本文所有数据均引用自已有精读文档，证据等级继承原文标注。各精读文档的证据等级见各自的”证据等级汇总”章节。