2026 年 AI Agent 最佳记忆层

记忆层是做什么的

每次会话一结束，Agent 就忘了你的名字、你的技术栈和上周的决定，这样的 Agent 用不了多久。上下文窗口解决不了这个问题： 重新填充它很贵，它会溢出，而且它分不清两条互相矛盾的事实哪条是当前有效的。记忆层就是这样一个组件： 从对话中抽取持久的事实，存储起来，在合适的时候检索出合适的少量内容，并在世界变化时更新或遗忘它们。

排名的简短版本：Mem0 是最容易接入的每用户记忆方案；事实会变化且历史重要时，Zep 搭配 Graphiti 最合适； 希望 Agent 自己管理记忆，选 Letta；LangMem 是 LangGraph 团队的免费库；而本地工具 claude-mem、agentmemory 和 Engram 是编码 Agent 的务实选择。下文每个价格和分数都带日期，除非另有说明，每个基准数字都是厂商自报。

视频：《How AI Agent Memory Actually Works in 2026 (Mem0, Letta, Zep)》，作者 Pico AI Lab，是对三个被比较最多的记忆层的第三方讲解。 另有一个来自 Hugging Face 的讲解《Agent Memory EXPLAINED - Complete Architecture》，见 YouTube。我们把两者都作为背景资料列出； 本文中的事实来自各厂商自己的页面。

快速选择

细节之前先说两点实话。第一，独立的基准数据很少：这些工具几乎所有公开分数都来自卖这个工具的厂商， 所用模型、评审和检索预算各不相同。第二，最便宜的记忆往往是最简单的那种。Claude 自己的 memory tool 只是一个文件目录， 而 Letta 发布过一个结果：在 LoCoMo 上，一个普通文件加搜索工具击败了一个专门的记忆产品。 先从简单做起，等你能说出某一层要解决的具体故障时再加。

总对比表

价格来自各厂商的实时定价页，抓取于 2026 年 11 月 11 日。许可证来自 GitHub 仓库。 “未描述”表示我们抓取的页面没有提到该功能，并不表示该功能不存在。

向量、图、混合还是文件

这些产品里出现了四种架构，它们的差异解释了大部分取舍。

• 向量加关键词（混合检索）。Mem0 并行运行语义、BM25 关键词和实体匹配并融合结果。 agentmemory 用倒数排名融合（Reciprocal Rank Fusion）融合 BM25、向量和图遍历。这是主力设计：便宜、快，擅长模糊召回。 如果你需要底层存储，我们的 向量数据库对比 涵盖了各种选项。
• 时序知识图谱。Graphiti 把实体存为节点，把事实存为带有效期窗口的边。事实变化时，旧边被置为失效而不是被删除， 所以你可以问去年三月什么是真的。Cognee 和 MemOS 也会从摄取的数据构建图结构。
• 自编辑记忆块。Letta 源自 MemGPT。Agent 拥有带标签的记忆块（如 human 和 persona），并通过工具调用自己编辑， 因此记忆管理处于 Agent 循环之内，而不是旁路。
• 普通文件。Claude 的 memory tool 暴露一个 /memories 目录，支持 view、create、str_replace、insert、delete 和 rename 命令。 编码 Agent 工具在其上加 SQLite、Chroma 或保险库。文件透明、可 diff、易审计，但检索质量取决于 Agent 如何组织它们。

实际含义是：“图还是向量”不如你的事实主要是累加型（偏好、摘要）还是易变型（状态、归属、计划）重要。 累加型记忆适合混合检索。易变型适合带有效期窗口的图，或会改写自己笔记的 Agent。

Mem0

它是什么。Mem0 是加在现有 Agent 上的记忆层。README 描述其记忆按 User、Session 和 Agent 状态划分， 采用单次、仅 ADD 的抽取：记忆只会累积，不会被覆盖。实体被抽取、嵌入并跨记忆链接，检索并行融合语义、BM25 和实体匹配， 并用时序推理对带日期的记忆排序。默认使用 OpenAI gpt-5-mini 和 text-embedding-3-small。

定价（截至 2026 年 11 月 11 日）。实时定价页列出两个计划。Free 超出额度后按量计费： 前 30 天每月 10,000 次 add 和 1,000 次检索，模型调用由 Mem0 承担；使用你自己的 LLM 密钥时，每月 50,000 次 add 和 10,000 次检索， 仅社区支持，并可设置每月超额上限。Custom 是企业计划，价格“在你的协议中约定”，并增加图记忆（实体链接）、用户画像、 Dream 记忆整合、高级分析、SSO、审计日志、SLA 和本地部署。页面的 meta 描述仍提到 Pro 计划， 但页面上并没有 Pro 计划，所以做预算前请再确认。

自托管与 SDK。Apache-2.0。三种部署方式：用于原型的库；运行在 localhost:3000 的 Docker Compose 自托管服务器，默认开启认证； 以及 app.mem0.ai 的托管平台。SDK 有 Python 和 npm（都叫 mem0ai）、一个 CLI、面向编码助手的 agent skills， 以及 LangGraph 和 CrewAI 集成。我们抓取的 README 没有描述 MCP 支持。

优点。这一组里集成面最小，社区庞大（截至 2026 年 11 月 12 日约 68.8k GitHub star）， 并且公布的基准数字最激进。缺点。图记忆列在 Custom 计划下，所以免费档并不是具备图能力的产品。 Mem0 自己也说其头条分数反映的是托管平台，开源用户应预期“方向相近的提升，但数字不完全相同”。最适合：用一个下午为客服机器人或助手加上每用户记忆。

# pip install mem0ai
from mem0 import Memory

m = Memory()   # defaults: OpenAI gpt-5-mini + text-embedding-3-small
m.add("I switched to vegetarian last month", user_id="alice")
hits = m.search("what should I cook for Alice?", user_id="alice")
print(hits)

Zep 与 Graphiti

它是什么。Graphiti 是一个用于时序上下文图的开源 Python 框架，也是 Zep 内部的图层。 它存储实体、作为边且带有效期窗口的事实，以及 episode（溯源所指向的原始数据）。旧事实被置为失效而不是删除。 本体可以用 Pydantic 模型预设，也可以从数据中学习。检索结合语义搜索、BM25 和图遍历。 Zep 是建立在它之上的托管产品，增加了托管图数据库、用户、摄取、仪表盘、SDK 和 SLA。

定价（截至 2026 年 11 月 11 日）。Free：每月 10,000 额度，不结转，2 个项目，episode 处理优先级较低。 Flex：每月 $125，含 50,000 额度，之后每 10,000 额度 $25，每分钟 600 次请求，5 个项目，社区支持，仅云端。 Flex Plus：每月 $375，含 200,000 额度，之后每 40,000 额度 $75，每分钟 1,000 次请求，含 observations、自定义抽取指令、webhook 和分析。 Enterprise 为定制，含 SOC 2 Type II、HIPAA BAA、审计日志和 DPA。额度按摄取计量：每个不超过 350 字节的 episode 1 额度，每多 350 字节加 1 额度； 检索、存储、用户和图存储为 0 额度。页面显示有年付选项可省 17%，但未列出年付价格。

自托管。Graphiti 本身是 Apache-2.0 且需自托管：你需要提供图数据库 （Neo4j 5.26、FalkorDB 1.1.2、搭配 OpenSearch Serverless 的 Amazon Neptune，或 Kuzu 0.11.2，后者因上游无人维护已被弃用）、LLM 和嵌入模型。 对于完整的 Zep 产品，只有 Enterprise 通过 BYOC 在你的 VPC 内提供自托管；其他档位仅限云端。 Graphiti 带有一个参考 MCP 服务器，其 README 警告参考 MCP 和 REST 服务器没有认证、授权或提示注入防护，因此不要暴露给不受信任的网络。

优点。这里唯一围绕时间构建的产品：你可以查询当前或历史状态，每条事实都能追溯到来源 episode。 截至 2026 年 11 月 12 日 Graphiti 约 32.8k star。缺点。活动部件更多，需要运行一个图数据库， 摄取要消耗 LLM 调用（默认并发由 SEMAPHORE_LIMIT 限制为 10，以避免 429）。定价页没有提到 Graphiti， 托管产品的自托管路径仅限企业版。最适合：事实会变化、且必须解释 Agent 在何时相信了什么的客户或账户类 Agent。

# Graphiti: you bring the graph database, LLM and embedder
# Supported graph stores per the README: Neo4j 5.26, FalkorDB 1.1.2,
# Amazon Neptune (+ OpenSearch Serverless), Kuzu 0.11.2 (deprecated)
# Default LLM/embedder is OpenAI; concurrency capped by SEMAPHORE_LIMIT (default 10)

Letta (MemGPT)

它是什么。Letta 是 MemGPT 的继任者，是一个面向有状态 Agent 的平台，而不是记忆插件。 在快速入门中，Agent 带有 human 和 persona 这类带标签的记忆块，并由 Agent 自己编辑。 GitHub 仓库说明，当前活跃源码位于 letta-code 仓库（Agent harness、终端 UI、App Server），已退役的 V1 API 服务器在 archive 分支， 文档也提到 V1 SDK 正被 Letta Agent SDK 取代。Agent SDK 还提到 MemFS，一种由 git 跟踪的记忆系统，作为较新的选项。

定价（截至 2026 年 11 月 11 日）。Free 为 $0，最多 3 个有状态 Agent，每个记忆仓库 5 MiB 存储，自带密钥。 Pro 每月 $20，含 $20 额度，最多 20 个 Agent，每个仓库 50 MiB。Teams Pro 每席位每月 $20。 Enterprise 为定制，含 RBAC、SAML/OIDC SSO 和专属支持。额度用于 LLM 推理和 CPU 时间；服务端工具每秒 CPU 时间 $0.00015， 远程 MCP 工具不消耗额度，BYOK 用量计入你自己的提供商账单。Letta 自己的指南说，日常编码通常每月约 $100 或更多，重度用户常达 $200 或更多， 如果你用额度运行编码 Agent，这是需要预算的数字。

自托管与 MCP。Apache-2.0（截至 2026 年 11 月 12 日约 25.4k star）。letta server 运行用于本地或自托管 Agent 的 App Server， Agent SDK 可连接托管或自托管部署。文档列出了 MCP 服务器与工具端点，但我们抓取的页面没有深入描述。优点。Agent 拥有自己的记忆，适合长时间自主工作，Letta 也用证据论证文件系统式记忆（见基准部分）。缺点。你采用的是运行时，不是库，并且 API 代际变化（V1 被弃用）意味着旧教程可能不再适用。最适合：从零构建有状态 Agent、希望记忆管理成为 Agent 自身推理一部分的团队。 如果你还在选择周边技术栈，请看我们的 最佳 AI Agent 框架（英文）指南。

npm install -g @letta-ai/letta-code
letta          # interactive terminal UI
letta server   # App Server for local or self-hosted agents

LangMem

它是什么。LangMem 是 LangChain 的记忆库，采用 MIT 许可（截至 2026 年 11 月 12 日约 1.8k star）。 它有一个可配合任何存储系统的函数式核心 API、由 Agent 在热路径中调用的记忆管理工具， 以及一个负责抽取、整合和更新知识的后台记忆管理器。它与 LangGraph 的长期记忆 store 原生集成， README 称这在所有 LangGraph Platform 部署中默认可用。示例使用 InMemoryStore，重启后数据会丢失； 生产环境 README 推荐使用 AsyncPostgresStore 这类数据库支持的 store。

定价。没有独立的托管服务或定价页；你只需为 LLM 调用和存储付费。优点。无厂商锁定，易于理解， 并且有超出纯记忆的提示词优化功能。缺点。它在概念上与 LangGraph 绑定，页面没有列出具体记忆类型， 我们抓取的来源中也没有发现 MCP 支持或已发布的基准。最适合：想要记忆但不想再引入一个厂商的 LangGraph 团队。 配合我们的 LLM 可观测性与评估工具（英文）对比， 你可以看到记忆管理器到底写了什么。

# pip install -U langmem
from langgraph.prebuilt import create_react_agent
from langgraph.store.memory import InMemoryStore
from langmem import create_manage_memory_tool, create_search_memory_tool

store = InMemoryStore(index={"dims": 1536, "embed": "openai:text-embedding-3-small"})
agent = create_react_agent(
    "anthropic:claude-3-5-sonnet-latest",
    tools=[create_manage_memory_tool(namespace=("preferences",)),
           create_search_memory_tool(namespace=("preferences",))],
    store=store,   # swap for AsyncPostgresStore in production
)

Supermemory

它是什么。Supermemory 结合了：负责抽取事实、处理更新与过期的记忆引擎，自动维护的用户画像， 在一次查询中混合 RAG 与记忆的混合搜索，连接器（Google Drive、GitHub 等），以及对 PDF、图片、视频和代码的文件处理。

定价（截至 2026 年 11 月 11 日）。Free 为 $0，每月 $5 额度，100 万 token 纯文本记忆、500 万 token SuperRAG 和 100 万次搜索。 Pro 每月 $19，含 $20 额度。Max 每月 $100，含 $130 额度。Scale 每月 $399，含 $600 额度、高级 PDF 抽取、S3 与网页爬虫连接器、SOC 2、HIPAA BAA 和自托管选项。 Enterprise 为定制，含隔离网络自托管或专属托管实例。各档位费率相同，限额假设全部额度花在同一个计量项上。 符合条件的初创公司和学术团队可免费获得三个月 Scale。

MCP、SDK、自托管。位于 mcp.supermemory.ai/mcp 的托管 MCP 服务器暴露三个工具： memory（保存或遗忘）、recall（搜索）和 context（注入用户画像），README 列出的客户端有 Claude Desktop、Cursor、Windsurf、VS Code、Claude Code、OpenCode、OpenClaw 和 Hermes。 官方提供 JavaScript 和 Python 包，并有 Vercel AI SDK、LangChain、LangGraph、OpenAI Agents SDK、Mastra、Agno 和 n8n 的封装。 仓库为 MIT，描述了运行在 localhost:6767 的本地服务器，默认使用本地嵌入，数据位于 ~/.supermemory； 而定价页另外把自托管选项列在 Scale 下，所以如果自托管是硬性要求，请向厂商确认条款。

优点。这一组里最便宜的付费档（$19），MCP 方案强，截至 2026 年 11 月 12 日有约 31.6k star 的 MIT 仓库。缺点。基准声明为自报，没有独立审计，所以要仔细阅读其研究页面。最适合：在 Claude Code、Cursor 和你自己的应用之间共享一份记忆。我们的 MCP 集成平台（英文）对比涵盖了它周边更广的 MCP 工具。

# Hosted MCP server (tools: memory, recall, context)
https://mcp.supermemory.ai/mcp

# Or run the local server on http://localhost:6767
npx supermemory local

Cognee

它是什么。Cognee 把文本变成实体、关系和可搜索的分块，把代码变成符号与依赖的图。 查询时它选择图、向量或代码上下文。README 描述了一种把关系型元数据、PGVector 和图状态结合在一起的 Postgres 配置， 但把该图存储标注为演示功能，生产版本作为授权产品提供。

定价（截至 2026 年 11 月 11 日）。Free：$0，含 100 万 token，1 个工作区，用户和 API 调用不限。 Standard：每 100 万 token 处理量 $1.00，外加每个额外工作区 $5，增加数据源集成（Slack、Notion、Linear、Google Drive）和代码索引。 Enterprise 需联系销售，以 BYOC 项目形式交付，含双时态记忆与冲突解决、每个答案的溯源，以及按用户的个性化。 页面称你可以免费在本地运行开源引擎，云托管运行使用 gpt-oss-120b。

SDK 与 MCP。Apache-2.0（截至 2026 年 11 月 12 日约 33.3k star）。支持 Python 3.10 到 3.14， 另有 TypeScript SDK、Rust（Cognee-RS）、REST API、面向 Cursor、Cline 等客户端的 MCP 服务器（Docker Compose 中为 8001 端口）， 以及 Claude Code、Codex 和 OpenClaw 插件。没有 LLM 密钥时，它使用本地 GLiNER 模型做抽取，页面称其为演示抽取器， 此时 recall 返回匹配的原文，而不是生成的答案。优点。以摄取为先的设计，适合文档、聊天和代码， 并且是最清晰的按量计价。缺点。双时态记忆等部分企业功能被限制， 其公布的 BEAM 分数还附带了对方法异常坦率的注意事项。最适合：把杂乱的文档和代码仓库变成可查询的 Agent 记忆。

uv pip install "cognee[gliner]"
cognee-cli remember "Marie Curie was born in Warsaw." -d local_quickstart
cognee-cli recall "Where was Marie Curie born?" -d local_quickstart

MemOS

它是什么。MemTensor 的 MemOS 自称是“记忆操作系统”，统一了长期记忆的存储、检索和管理。 它提供用于添加、检索、编辑和删除的统一记忆 API，以图的方式组织，支持多模态记忆（文本、图片、工具轨迹、人设）、 可在用户、项目和 Agent 之间隔离、共享或组合的多 cube 知识库、异步 MemScheduler，以及由反馈驱动的纠错。 本地插件描述了 L1 轨迹、L2 策略、L3 世界模型和固化技能。

定价、自托管、SDK。Apache-2.0（截至 2026 年 11 月 12 日约 12.4k star）。部署选项包括：搭配 Neo4j 和 Qdrant 的 Docker Compose 自托管服务， 使用 SQLite 与混合 FTS5 和向量检索的本地插件，以及密钥以 mpg- 开头的托管 Cloud API。我们抓取的页面没有公布云服务价格。 没有指明专用语言 SDK：示例用 Python requests 调用 REST API，插件以 npm 包形式发布，面向 OpenClaw、Hermes Agent 和 DeepSeek Harness 等宿主。 仓库带有 mcp 主题标签，但 README 正文没有描述 MCP 支持，因此我们无法确认。

优点。丰富的图与多 cube 模型，灵活的本地到云部署，许可宽松。缺点。价格不透明，SDK 以 REST 为主， 头条分数（LoCoMo 88.83、LongMemEval 89.20）是厂商通过自己的 OmniMemEval 自报的，页面没有给出基线或方法。最适合：想要可自托管、图结构、多租户记忆，并能接受较新、以 REST 为中心 API 的团队。

OpenAI 与 Anthropic 内置记忆

这里“记忆”一词指两种不同的东西：聊天应用内部的产品记忆，以及你接入自己 Agent 的开发者记忆。

Claude：应用记忆与 API memory tool

在 claude.ai 中，记忆对 Free、Pro、Max 和 Ultra 套餐在网页、桌面和移动端默认开启；Team 和 Enterprise 的所有者决定是否可用， 启用 HIPAA 的组织默认不开启。Claude 在聊天时把记忆保存为单独的主题，每个项目有自己的记忆，你可以暂停、重置、编辑， 或导入和导出记忆（导入导出功能被标注为实验性）。无痕聊天不会被保存。健康、政治和宗教类话题默认不保存， 政府身份证件、犯罪记录、金融账号和移民身份则永不保存。

对开发者而言，Claude API 的 memory tool 是客户端实现的。你把 {"type": "memory_20250818", "name": "memory"} 加入 tools 列表，Claude 请求在 /memories 下执行文件操作（view、create、str_replace、insert、delete、rename）， 而你的应用针对你选择的存储执行它们。文档把它标为 stable，并在 Claude API、Bedrock、Google Cloud 和 Microsoft Foundry 上符合零数据保留条件， 有 Python、TypeScript、C# 和 Java 的 SDK 辅助库，以及 Python 和 TypeScript 现成的本地文件系统实现。 它可与 context editing 和 compaction 搭配用于长时间运行的 Agent，文档把安全责任交给你：拒绝 /memories 之外的路径、限制文件大小并让陈旧文件过期。 我们的 最佳 AI 编码 Agent（英文）对比展示了这一模式在编码工具中的出现位置。

OpenAI：ChatGPT 记忆与 Agents SDK

ChatGPT 有已保存记忆（你要求它记住的内容）和对过往聊天历史的单独引用，临时聊天既不使用也不创建记忆。 OpenAI 帮助中心拦截了我们的自动抓取（HTTP 403），所以我们在此不陈述当前的套餐可用性或项目记忆细节； 请在依赖这些细节前查看实时的记忆 FAQ。在 API 方面，我们没有找到 OpenAI 官方的托管长期记忆服务。 OpenAI Agents SDK 提供 sessions，用于跨运行保存对话历史，而 Mem0、Supermemory 和 Cognee 等厂商发布了在其上增加跨会话记忆的集成。 请把这当作基于搜索的发现，而不是 OpenAI 的声明。

编码 Agent 记忆工具

会话一结束，编码 Agent 损失最大：某个函数为何如此设计的决定、不稳定的测试、部署中的怪癖。 三个开源工具直接针对这一点，每个在 Agentpedia 上都有自己的指南。

claude-mem

claude-mem 运行第二个 Agent，在你的会话中做笔记，然后让下一次会话以相关过往观察的紧凑索引开场，仅在需要时获取完整细节。 存储在本地的 ~/.claude-mem：SQLite 保存观察、会话和摘要，Chroma 增加语义搜索。云同步为可选开启。 MCP 工具为 search、timeline 和 get_observations，安装命令是 npx claude-mem install。README 声明为 Apache-2.0，支持的 Agent 包括 Claude Code、Codex、Cursor 和 OpenCode； 截至 2026 年 11 月 12 日该仓库约有 116k star。完整细节见我们的 claude-mem 指南。

agentmemory

agentmemory 是面向编码 Agent 的持久记忆服务器。检索用倒数排名融合把 BM25（始终开启）、向量相似度（配置嵌入提供商时）和图遍历融合起来。 默认的无密钥模式不需要 API 密钥。它暴露 3111 端口的 REST API、3113 端口的查看器，以及一个 MCP 服务器， 连接到运行中的服务器时有 54 个工具（否则为 7 个本地工具），支持约 27 个 Agent，在 Node.js 20 或更高版本上用 npx -y @agentmemory/agentmemory@latest 安装。Apache-2.0，截至 2026 年 11 月 12 日约 30.3k star。 其厂商自报的 LongMemEval-S 检索数字见下方基准表。请看我们的 agentmemory 指南。

Engram

Engram 是 EL AI Intelligence 推出的本地记忆守护进程，带有加密的 SQLCipher 保险库、统一的 JSON API、面向 Claude Code、Cursor 和 Windsurf 的 MCP 服务器， 以及会传播到搜索和同步的删除。本地守护进程免费；只有加密同步收费：Personal 每月 $10，Team $29，Organization $99，均为固定价格、不按席位计费， 数字来自我们的 Engram 指南（英文），我们在 2026 年 9 月核实过，本次对比未重新抓取。 当隐私与可证明的删除比功能更重要时选它。

三者的区别：claude-mem 通过渐进式披露优化 token 使用，agentmemory 为跨多个 Agent 优化检索广度，Engram 优化加密与删除。 三者都是本地优先，因此都不按记忆操作收费。把其中任何一个接入编辑器都是一次 MCP 操作；周边配置请看 Claude Code 最佳 MCP 服务器（英文）。

基准测试及其意义

截至 2026 年 11 月 11 日，这些工具没有中立且被广泛接受的排行榜。下表每一行都由厂商发布，使用其自己的模型、评审和检索预算， 因此各行的数字之间不可比较。LoCoMo 衡量在长篇两人对话上的问答。LongMemEval 衡量更长历史上的多会话召回、时序推理和知识更新。 BEAM 测试 100 万和 1000 万 token 规模的召回。它们都不能衡量 Agent 在你的产品中是否表现更好。

有三点值得注意。第一，厂商之间对彼此的结果有分歧：Zep 称 Mem0 在运行 Zep 时把两位对话者都设为 user 角色， 把时间戳附在消息文本后而不是使用 created_at 字段，并且顺序执行搜索，同时 Zep 公布了其修正后的 75.14%。 第二，朴素基线很强：Zep 报告全上下文在 LoCoMo 上约 73%，高于 Mem0 最佳的约 68%，而 Letta 报告用一个文件加搜索工具得到 74.0%。 第三，即使是坦诚的厂商也会为自己的结果附注意事项：Cognee 指出其两种 BEAM 设置使用不同的对话和选择流程， agentmemory 声明其数字只衡量检索。Letta 还强调其文件系统 Agent 并非只用 grep：语义搜索是必需的第一步， 较弱的 GPT-4o mini 还需要工具规则。

替代做法：用你自己的对话记录构建 50 到 100 个问题的测试集，加入知识更新用例（“用户上个月搬家了”）， 固定模型和评审，并把两个候选与一个全上下文基线对比。在准确率旁边记录每次查询的 token 数和 p95 延迟， 因为 Mem0、Supermemory 和 Zep 在宣传效率上不亚于宣传准确率。

如何选择

如果你运行自己的 Agent 基础设施，记忆只是其中一个组件。托管选项见 最佳 AI Agent 托管平台（英文）， 检索存储见 向量数据库指南。

上手代码片段

两个片段展示两个极端：托管风格的库调用，以及自带存储的工具。Mem0 片段遵循 README 默认值； Claude 片段遵循 memory-tool 文档中的 SDK 示例。本文没有执行过这两个片段， 请把它们当作起点，并对照当前 SDK 版本运行。

# pip install mem0ai
from mem0 import Memory

m = Memory()   # defaults: OpenAI gpt-5-mini + text-embedding-3-small
m.add("I switched to vegetarian last month", user_id="alice")
hits = m.search("what should I cook for Alice?", user_id="alice")
print(hits)

# Claude API memory tool: client-side, you own the storage
import anthropic
from anthropic.tools import BetaLocalFilesystemMemoryTool

client = anthropic.Anthropic()
memory = BetaLocalFilesystemMemoryTool(base_path="./memory")

runner = client.beta.messages.tool_runner(
    model="claude-opus-5-5",
    max_tokens=1024,
    messages=[{"role": "user",
               "content": "Remember that customer Acme Corp prefers email follow-ups."}],
    tools=[memory],
)
print(runner.until_done().content)

上线前检查清单：每次读写都按用户或租户划定范围；设定保留与过期策略； 决定删除是否必须传播（Engram 与 Graphiti 的失效模型不同）；在文件型记忆中校验路径； 不要把参考 MCP 服务器放在公网；并监控抽取器写入的内容，因为错误的抽取会变成持久的错误事实。

评估方法

本排名没有付费置顶，也没有联盟链接。对每个工具，我们抓取了厂商的实时定价页、GitHub README 或文档， 基准部分则抓取厂商自己的页面，并把有争议的声明与对方的回应交叉核对。当某页面没有提到某功能（如 Mem0 的 MCP）时， 我们写“未描述”，而不是假定它不存在。本次对比我们没有自己运行这些工具，因此评估基于文档； 代码片段来自厂商文档，未被执行。star 数和价格易变，都带有日期。编码 Agent 工具的细节由 Agentpedia 现有指南提供。

常见问题

来源

除特别注明外，所有页面均抓取于 2026 年 11 月 11 日至 12 日。

定价页

• Mem0 定价
• Zep 定价
• Letta 定价
• Supermemory 定价
• Cognee 定价

仓库与文档

• mem0ai/mem0
• getzep/graphiti
• letta-ai/letta 与 Letta 文档
• langchain-ai/langmem
• supermemoryai/supermemory
• topoteretes/cognee
• MemTensor/MemOS
• thedotmack/claude-mem
• rohitg00/agentmemory
• Claude API memory tool
• Claude 聊天搜索与记忆（帮助中心）
• OpenAI 记忆 FAQ（自动抓取返回 403；细节未采信）
• OpenAI Agents SDK sessions（通过搜索发现，未直接抓取）

基准与争议

• Zep: A Temporal Knowledge Graph Architecture for Agent Memory (arXiv)
• Zep: Is Mem0 really SOTA in agent memory?
• Letta: Benchmarking AI agent memory

视频与 Agentpedia 指南

• How AI Agent Memory Actually Works in 2026 (Mem0, Letta, Zep)
• agentmemory 指南
• claude-mem 指南
• Engram 指南（英文）
• AI Agent 最佳向量数据库