作者 ｜ 黄小艺
邮箱 ｜ huangxiaoyi@pingwest.com

本周的AI项目推荐，我们聚焦在AI Memory这个领域。这是一个还没有被太多目光注意到，但已经在融资动作和产品更新上呈现出“起飞”态势的方向。

一批名为Mem“X”的算法框架及产品，正在加入模型上下文的战争。

随着大模型被推向应用场景，一个根本性问题日益凸显：如何有效管理和记忆长上下文。无论是实现连贯的多轮对话，还是构建能长期服务用户的个性化Agent，记忆的积累与调用都是核心。于是，在当前大模型的上下文限制下，RAG也好，Agent也好，都在某种程度上尝试提出补偿方案。

而现在，10000个AI记忆框架也来了：Letta（MemGPT）、Mem0、MemU、MemOS......他们直接将记忆转化成一套可独立设计的工程体系，支持智能筛选信息、结构化存储、高效检索，为大模型装上了可插拔、可优化的“记忆外挂”。

对AI初创而言，这也是一个绝佳的切入点：记忆是大模型实现真正可用性的刚需所在，而目前技术路线和应用场景差异化明显、竞争格局远未固化，且资本投资热度颇高。

我们整理了市面上主流的AI记忆算法框架、产品及其融资情况，也看看它们之间到底有什么区别。

1

Mem“X ”混战

Letta：https://github.com/letta-ai/letta

Letta由加州大学伯克利分校的实验室孵化而成，项目最早在 GitHub 以 MemGPT名义开源，后更名为 Letta，截止目前有19K星。

MemGPT的核心是一个记忆管理流水线，也是记忆领域的元老级框架。

其论文显示，它将上下文划分为 Main Context（主上下文，即提示词） 与 External Context（外部上下文）‍，允许LLM 通过MemGPT 来管理其自身的上下文，将不太相关的数据从主上下文（提示词）中移除并存储到外部上下文中，同理，也可以将相关的外部上下文召回到主上下文，从而实现信息在两者之间的迁移，让记忆持久化和即时可用[1]。

详细来说，基于上图，当用户的输入进入后，该消息首先由队列管理器（Queue Manager）处理，放入先进先出队列（FIFO Queue）中，这是一个简单的时序处理逻辑。如果此时上下文窗口接近饱和，队列管理器会自动将队列中最旧的消息转移到回忆存储（Recall Storage）中进行备份，以确保有足够的空间容纳新信息。

随后，LLM 会读取其完整的有限上下文，包括固定的系统指令、可变的工作上下文以及更新后的消息队列，并基于这些信息进行“思考”，如果LLM能直接回答用户，就会生成一段文本回复。

但如果它判断需要利用长期记忆，比如查询用户的职业，它就会生成一个函数调用，由Function Executor（函数执行器）捕获并执行，Function Executor会与Archival Storage（归档存储）交互，或调取回忆存储（Recall Storage）的记忆，检索所需信息，将结果，写回到 LLM 的工作上下文中。

这个更新操作相当于为 LLM 提供了一条新的关键信息，触发它进行新一轮的思考，生成一个更具个性化和上下文感知能力的回复，完成交互闭环。

2024年，Letta获得了1000万美元的种子资金，领投 Felicis Ventures，投资人包括硅谷大佬Jeff Dean，2025 年持续迭代，推出 Letta Cloud（托管版）、本地 Docker与桌面版三种部署方式。

Mem0：https://github.com/mem0ai/mem0

定位为“AI智能体的通用记忆层”，与 MemGPT 的区别在于，用户的输入进入时，会和已有记忆进行相似性查询，融合、关联记忆，并调用工具操作，保持数据库的更新，而不是简单的先进先出的时序整理。

Mem0在GitHub已获得 42.6K 星，Python 包下载量达 1400 万次。API 使用量呈指数级增长，从第一季度的 3500 万次调用增长至 2025 年第三季度的 1.86 亿次，成为了AWS新Agent SDK的记忆提供方。

论文显示，主要架构有 Mem0 和MemOᵍ两种互补的记忆架构[2]：

其中，Mem0的架构概览如下，在提取阶段，处理消息和历史上下文，以创建新的记忆；更新阶段将这些提取的记忆，与类似的现有记忆进行比较，并通过Tool Call进行相应的操作，例如增加、更新、删除、不操作。数据库作为中央存储库，为处理和存储更新后的记忆提供上下文，适合单跳和多跳推理任务。

而MemOᵍ基于图的扩展，提取阶段使用 LLM 将对话消息转换为实体和关系三元组，更新阶段将新信息集成到现有知识图谱，并采用冲突检测和解决机制。论文显示，该架构在时间域和开放域任务中显著提升了性能。

2025年10月底，Mem0宣布获得了2400万美元的融资，由Kindred Ventures 领投种子轮，Basis Set Ventures 领投 A 轮，其他参与者包括 Peak XV Partners、GitHub Fund 和 Y Combinator。

MemU：https://github.com/NevaMind-AI/memU

前豆包和猫箱 Memory 算法负责人陈宏创办，定位为“为AI伴侣设计的下一代代理记忆系统”。MemU支持文本、图像、音频等多种数据类型，提供云、企业和社区自托管三种模式。项目于 2025 年 8 月发布，已在 GitHub 获得2.8K星，侧重AI角色扮演、虚拟偶像等场景。

MemU 设计理念的核心在于「基于Agent的记忆文件组织方式」 。

在记忆提取阶段，MemU会将各个记忆项根据其类别，分组到专用的文档文件中，提供自主记忆代理，能自动决定何时记录、修改、归档或遗忘信息。每⼀条记忆也会被视作更⼤知识图谱中的节点。系统会⾃动检测不同时间、不同模态间的联系，构建出⼀个可动态演化的“经验⽹络”，像超链接⽂档⼀样可以被检索和遍历[4]。

相当于融合了Mem0的两个架构，会按类型把信息划分为文件，且同时会对文件中的具体信息进行跨文件的关联，而总体上，再由一个自主的Agent，基于一定规则来整理。

Memobase：https://github.com/memodb-io/memobase

和MemU一样是基于文件的组织方式。Memobase专注“基于用户画像的长期记忆”，定位是为聊天机器人、AI伴侣等应用打造“用户档案库”，支持 Profile和Event双线记忆管理，并即将推出Schedule、Social 两类新的记忆结构[5]，在GitHub上有2.3K星。

Memobase强调对性能、成本和延迟的平衡，通过为每个用户建立缓冲区来批量处理对话，确保在线响应速度低于100ms[5]。

除了应用于AI伴侣场景，还可以应用在教育等场景，例如通过记住个人的学习进度、偏好和优势，专门针对教育环境中的记忆功能进行配置，使其能够更专注于学生的错误答案、标准化考试成绩和学习习惯。

MemOS：https://github.com/MemTensor/MemOS

MemOS 认为，「记忆」作为一个独立系统层，和计算、存储一样，是AI 应用的基础能力。它的整体架构可以概括为三层： API 与应用接口层、记忆调度与管理层、记忆存储与基础设施层，更注重面向企业级的系统化记忆管理。

据其公开技术文档及论文显示[6]：

在API 与应用接口层，MemOS 提供了标准化的 Memory API，开发者可以通过简单的接口实现记忆创建、删除、更新等操作，支持多轮对话、长期任务和跨会话个性化等复杂应用场景。

在记忆调度与管理区层，别于其他记忆结构，其核心差异在于从记忆建模的视角出发，提出了记忆调度范式——通过设计异步调度框架，提前预测模型可能需要的记忆信息，例如用户正值旅游阶段，有关旅游的记忆和安排会提前被激活，从而降低实时生成中的效率损耗。

在记忆存储与基础设施层，MemOS通过标准化的 MemCube 封装，将明文记忆、激活记忆和参数记忆（又分为内、外两种参数记忆，内参数记忆即微调进大模型）三种形态有机整合[7]。

如图所示，在这个环节，它还提供了记忆的过期策略、不同用户的访问控制、隐私保护、水印服务等合规设定，并支持多种持久化存储方式，包括 Graph 数据库、向量数据库，甚至构想了记忆的商业生态（MemStore），让记忆本身成为可以流通的商品。

总体而言，其核心思想是将AI的记忆像企业级数据一样进行专业化管理，通过分层解耦，区分了不同状态的记忆（内在/外在，激活/持久化），将记忆的应用、调度、治理、存储分开。

MemOS背后的企业是记忆张量，2025年6月记忆张量宣布完成了由孚腾资本、算丰信息、中金资本等知名机构共同投资的近亿元天使轮融资。

Memories.ai：

专注视觉记忆。成立于 2024 年，由前 meta Reality Labs 的华人研究科学家Shawn Shen与Ben  Zhou联合创立，能为 AI 提供持久、可检索的视觉记忆层。

Memories.ai已经推出了LVMM 1.0（Large Visual Memory Model）和LVMM 2.0 两种架构。

其中，LVMM 1.0将视频流解构为视频画面、语音、文本、元数据四个维度。在画面解析上，又拆分成框架结构、物体识别、动作理解、事件序列等结构化数据层，把视频解读并存储成更详细的数据，具体到每个片段帧的图文描述，把拆分好的结果存进数据库，并进行向量化和知识图谱，方便用户query来了进行索引[8]。

在近日，Memories.ai又推出了LVMM 2.0，并宣布了与高通合作，从 2026 年开始在高通处理器上本地运行，使消费者和企业能够在其设备上安全、快速地搜索和分析视觉时刻。

Memories.ai 的 LVMM 2.0 通过将原始视频转换为设备上的结构化记忆，对帧进行编码、压缩，并构建支持亚秒级搜索的索引。用户可以用通俗易懂的语言提出复杂的问题或使用图像提示，然后跳转到确切的时刻。在高通处理器上本地运行可降低延迟、降低云成本并将数据保持在本地以增强安全性，即使在网络边缘也能可靠地执行。

2025 年7 月，Memories.ai完成 800 万美元种子轮融资，领投方为 Susa Ventures，跟投包括 Samsung Next、Crane Venture Partners、Fusion Fund、Seedcamp、Creator Ventures等。

Zep AI：https://github.com/getzep

Zep AI，一种面向Agent的新型记忆层服务，由其开发的Graphiti开源框架提供支持。Graphiti 是一个时间知识图谱框架，用于处理不断变化的关系并维护历史背景，其独特之处在于它能够自主构建知识图谱，同时还能推理状态随时间的变化。每个事实都包含 valid_at 和 invalid_at ，这使得智能体能够追踪用户偏好、特征或环境的变化[9]。截止目前，在GitHub上，Zep有3.7K星，Graphiti有19.7K星。

Zep AI 在 2024 年 4 月 完成了约 50 万美元的种子轮融资，领投方为 Y Combinator。

Second-Me (by Mindverse)：https://github.com/Mindverse/Second-Me。

Second‑Me 是 Mindverse 打造的 AI 身份模型，核心在于本地隐私训练、持续记忆对齐、开放生态，主张“训练你的AI自我”，通过分层记忆模型（HMM）和自我对齐算法，使记忆能够随用户行为持续更新、保持一致性旨在捕获你的身份、理解你的情境，强调100%的隐私和控制权。

图中，记忆的L0～L2分别指的是：

L0：原始数据层。该层类似于将RAG等直接应用于原始数据，将记忆定义为所有非结构化数据。

L1：自然语言记忆层。该层包含可以用自然语言形式概括的记忆，例如用户的简短个人简介、重要句子或短语列表以及偏好标签。

L2：AI 原生记忆层。该层代表那些无需自然语言描述的记忆。相反，这些记忆通过模型参数进行学习和组织。

区别于其他“记忆文件外挂”，Second‑Me提出了首个基于个人文档记录的全自动后训练流程，构建了一个多层混合系统。

Supermemory：https://github.com/supermemoryai/supermemory

Supermemory 是一套面向AI应用的通用记忆 API，通过自研向量数据库、内容解析器、知识图谱以及丰富的 SDK/Connector[10]，帮助个人和企业实现跨会话、跨模态、可持久的记忆，GitHub上获得13.2K星。

其特点是：

支持导入文本、文件和聊天记录（支持多模态，包括文本、图像、文件、链接、视频帧）；

模拟人脑实际运作方式，包括智能遗忘、衰退、近因效应、语境重写等，进行重新排序结果。

构建一个能够捕捉“记忆”（模式、见解、背景）的知识图谱 。

举个例子，在以下场景中：

RAG会检索语义上最相似的文本，但会忽略了时间进程和因果关系。

而通过时序知识图谱，Supermemory会跟踪事实何时失效，并理解因果链。

创始人Dhravya Shah年仅 19 岁。2025 年10月，Supermemory完成了约260万美元种子轮融资，由 Susa Ventures、Browder Capital、SF1.vc 领投。

1

不存在绝对“正确”的路线，记忆框架的进化刚开始

从根本上看，当下的AI记忆框架（Mem“X”）是RAG方案的进化产物。它们的核心身份仍然是一个外部记忆API，但其职责不再是简单地提供事实知识库，而是像人脑一样，对原始信息进行处理、切割与重组，然后将消化过的“记忆”作为上下文，供大语言模型（LLM）或智能体（Agent）调取。

这种“记忆与处理分离”的架构，模拟了人脑中记忆存储区与逻辑处理区的分工，优雅地解决了LLM上下文窗口有限的难题。

然而，这也是一把双刃剑。由于记忆以API形式提供，且目前的记忆的处理更像是简单的切割和索引，主流平台又普遍支持记忆的迁移与备份，客户的切换成本相对较低，这使得市场难以形成绝对的“护城河”。

另一方面，这也意味着这是一门高度工程化的B端服务业务。 客户对记忆方案的评估维度极为细分——价格、延迟、准确性、关联度、安全性，且效果反馈周期长。不存在一个“最好”的方案，只有“最适合”的方案。正是这种多样化的需求，催生了当前记忆框架在技术路线上的分野。

打个比方，如果LLM有限的上下文是计算机的“物理内存（RAM）”，外部存储是“硬盘（Hard Drive）”，那么不同的Mem“X”框架，就是针对不同场景设计出的“内存调度系统”。它们都在回答同一个核心问题：记忆应该如何被组织和调度，才能最准确高效地在“硬盘”和“内存”之间换入换出？

目前，主流的记忆框架可以归结为三大类：

一类是将记忆管理设定为一种操作系统行为。

此路线将记忆管理视为一种宏观的、动态的系统行为。以 MemOS 为例，它会主动“整理”全部记忆，将其区分为不同状态（如明文记忆、激活记忆），并引入一个预测性调度框架。根据当前对话和用户画像，它能提前将可能需要的记忆“预加载”到准备区。这种方案的优势在于处理大规模、高并发的企业级记忆场景，追求整体的调度效率。

第二类是将记忆转化为知识图谱的“关联网络”，Zep AI、Supermemory、MemOᵍ、Memories.ai都或多或少地提供了这一服务。

此路线的拥护者认为，记忆的力量在于关联。它们致力于将离散的记忆片段（“用户喜欢咖啡”）结构化为实体、属性和关系的“关联网络”。这使得AI能够进行更复杂的逻辑推理。

例如，Zep AI 强调时间维度，能更新“用户上周喜欢咖啡，但这周失眠不能喝了”这类动态关系；而 Supermemory 则利用LLM自动从对话中提取关系，构建自增长的记忆网络。这条路线的记忆更新处理成本相对较高，更适合需要深度逻辑和状态追踪的场景。

第三类则是通过文件系统（File System），将记忆视为“归档资料”。例如，MemU、Memobase，更侧重于记忆的组织、分类和应用。

此路线将记忆视为需要精确组织和分类的“归档资料”。例如，Memobase 将用户的静态偏好和动态经历分开，以清晰的数据架构换取更低的检索延迟。而 MemU 的独特之处在于引入了一个自主记忆代理（Agent）来扮演“档案管理员”，让Agent来管理记忆，而非简单地让记忆服务于Agent。

此外，还存在如 Second-Me 这样的混合路线，它通过“全自动后训练”，将部分记忆特征直接“刻进”模型参数中，实现了“外挂”与“内化”的结合。

这些路线并非完全互斥，许多项目正在融合多路线的优点。但更关键的趋势在于，记忆框架的“管理者”正在变得越来越聪明，从而避免被替代，形成数据的飞轮。

此前，以MemGPT为代表的初代框架，更像一个按固定规则整理书籍的“机械图书管理员”，其管理逻辑是工程化的、静态的。而2025年涌现的新框架，如MemU和MemOS，则越来越多地在记忆管理中引入AI或Agent，使其成为一个能根据用户动态画像和上下文，自主学习和优化整理策略的“智慧图书管理员”。

这种从“索引API”到“自主管理”的进化，是AI记忆框架的竞争焦点，即从基础的工程实现，转向如何构建一个更智能、更高效的记忆Agent体系。

2026年，关于记忆的框架进化和竞赛，才刚刚开始。

参考资料：

[1]MemGPT: Towards LLMs as Operating Systems

[2]Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory

[3]Overview - Mem0 https://docs.mem0.ai/cookbooks/overview

[4]MemU documentation - Complete Guide for AI Memory Integration

[5]What is Memobase? - Memobase

[6]MemOS: A Memory OS for AI System

[7]MemOS算法原理概述 https://memos-docs.openmem.net/cn/overview/algorithm

[8]Introduction | Memories.ai

[9]ZEP: A TEMPORAL KNOWLEDGE GRAPH ARCHITECTURE FOR AGENT MEMORY

[10]How Supermemory Works - supermemory | Memory API for the AI era

点个“爱心”，再走 吧