本週 AI 項目推薦｜Mem0, Memories.ai……AI 記憶大爆炸

作者｜黃小藝

郵箱｜huangxiaoyi@pingwest.com

本週的AI項目推薦，我們聚焦在AI Memory這個領域。這是一個還沒有被太多目光注意到，但已經在融資動作和產品更新上呈現出「起飛」態勢的方向。

一批名為Mem「X」的算法框架及產品，正在加入模型上下文的戰爭。

隨著大模型被推嚮應用場景，一個根本性問題日益凸顯：如何有效管理和記憶長上下文。無論是實現連貫的多輪對話，還是構建能長期服務用戶的個性化Agent，記憶的積累與調用都是核心。於是，在當前大模型的上下文限制下，RAG也好，Agent也好，都在某種程度上嘗試提出補償方案。

而現在，10000個AI記憶框架也來了：Letta（MemGPT）、Mem0、MemU、MemOS……他們直接將記憶轉化成一套可獨立設計的工程體系，支持智能篩選信息、結構化存儲、高效檢索，為大模型裝上了可插拔、可優化的「記憶外掛」。

對AI初創而言，這也是一個絕佳的切入點：記憶是大模型實現真正可用性的剛需所在，而目前技術路線和應用場景差異化明顯、競爭格局遠未固化，且資本投資熱度頗高。

我們整理了市面上主流的AI記憶算法框架、產品及其融資情況，也看看它們之間到底有什麼區別。

Mem「X 」混戰

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

Letta由加州大學伯克利分校的實驗室孵化而成，項目最早在 GitHub 以 MemGPT名義開源，後更名為 Letta，截止目前有19K星。

MemGPT的核心是一個記憶管理流水線，也是記憶領域的元老級框架。

其論文顯示，它將上下文劃分為 Main Context（主上下文，即提示詞）與 External Context（外部上下文）‍，允許LLM 通過MemGPT 來管理其自身的上下文，將不太相關的數據從主上下文（提示詞）中移除並存儲到外部上下文中，同理，也可以將相關的外部上下文召回到主上下文，從而實現信息在兩者之間的遷移，讓記憶持久化和即時可用[1]。

詳細來說，基於上圖，當用戶的輸入進入後，該消息首先由隊列管理器（Queue Manager）處理，放入先進先出隊列（FIFO Queue）中，這是一個簡單的時序處理邏輯。如果此時上下文窗口接近飽和，隊列管理器會自動將隊列中最舊的消息轉移到回憶存儲（Recall Storage）中進行備份，以確保有足夠的空間容納新信息。

隨後，LLM 會讀取其完整的有限上下文，包括固定的系統指令、可變的工作上下文以及更新後的消息隊列，並基於這些信息進行「思考」，如果LLM能直接回答用戶，就會生成一段文本回覆。

但如果它判斷需要利用長期記憶，比如查詢用戶的職業，它就會生成一個函數調用，由Function Executor（函數執行器）捕獲並執行，Function Executor會與Archival Storage（歸檔存儲）交互，或調取回憶存儲（Recall Storage）的記憶，檢索所需信息，將結果，寫回到 LLM 的工作上下文中。

這個更新操作相當於為 LLM 提供了一條新的關鍵信息，觸發它進行新一輪的思考，生成一個更具個性化和上下文感知能力的回覆，完成交互閉環。

2024年，Letta獲得了1000萬美元的種子資金，領投 Felicis Ventures，投資人包括矽谷大佬Jeff Dean，2025 年持續迭代，推出 Letta Cloud（託管版）、本地 Docker與桌面版三種部署方式。

Mem0：https://github.com/mem0ai/mem0

定位為「AI智能體的通用記憶層」，與 MemGPT 的區別在於，用戶的輸入進入時，會和已有記憶進行相似性查詢，融合、關聯記憶，並調用工具操作，保持數據庫的更新，而不是簡單的先進先出的時序整理。

Mem0在GitHub已獲得 42.6K 星，Python 包下載量達 1400 萬次。API 使用量呈指數級增長，從第一季度的 3500 萬次調用增長至 2025 年第三季度的 1.86 億次，成為了AWS新Agent SDK的記憶提供方。

論文顯示，主要架構有 Mem0 和MemOᵍ兩種互補的記憶架構[2]：

其中，Mem0的架構概覽如下，在提取階段，處理消息和歷史上下文，以創建新的記憶；更新階段將這些提取的記憶，與類似的現有記憶進行比較，並通過Tool Call進行相應的操作，例如增加、更新、刪除、不操作。數據庫作為中央存儲庫，為處理和存儲更新後的記憶提供上下文，適合單跳和多跳推理任務。

而MemOᵍ基於圖的擴展，提取階段使用 LLM 將對話消息轉換為實體和關係三元組，更新階段將新信息集成到現有知識圖譜，並採用衝突檢測和解決機制。論文顯示，該架構在時間域和開放域任務中顯著提升了性能。

2025年10月底，Mem0宣佈獲得了2400萬美元的融資，由Kindred Ventures 領投種子輪，Basis Set Ventures 領投 A 輪，其他參與者包括 Peak XV Partners、GitHub Fund 和 Y Combinator。

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

前豆包和貓箱 Memory 算法負責人陳宏創辦，定位為「為AI伴侶設計的下一代代理記憶系統」。MemU支持文本、圖像、音頻等多種數據類型，提供雲、企業和社區自託管三種模式。項目於 2025 年 8 月發佈，已在 GitHub 獲得2.8K星，側重AI角色扮演、虛擬偶像等場景。

MemU 設計理念的核心在於「基於Agent的記憶文件組織方式」。

在記憶提取階段，MemU會將各個記憶項根據其類別，分組到專用的文檔文件中，提供自主記憶代理，能自動決定何時記錄、修改、歸檔或遺忘信息。每⼀條記憶也會被視作更⼤知識圖譜中的節點。系統會⾃動檢測不同時間、不同模態間的聯繫，構建出⼀個可動態演化的「經驗⽹絡」，像超鏈接⽂檔⼀樣可以被檢索和遍曆[4]。

相當於融合了Mem0的兩個架構，會按類型把信息劃分為文件，且同時會對文件中的具體信息進行跨文件的關聯，而總體上，再由一個自主的Agent，基於一定規則來整理。

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

和MemU一樣是基於文件的組織方式。Memobase專注「基於用戶畫像的長期記憶」，定位是為聊天機器人、AI伴侶等應用打造「用戶檔案庫」，支持 Profile和Event雙線記憶管理，並即將推出Schedule、Social 兩類新的記憶結構[5]，在GitHub上有2.3K星。

Memobase強調對性能、成本和延遲的平衡，通過為每個用戶建立緩衝區來批量處理對話，確保在線響應速度低於100ms[5]。

除了應用於AI伴侶場景，還可以應用在教育等場景，例如通過記住個人的學習進度、偏好和優勢，專門針對教育環境中的記憶功能進行配置，使其能夠更專注於學生的錯誤答案、標準化考試成績和學習習慣。

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

MemOS 認為，「記憶」作為一個獨立系統層，和計算、存儲一樣，是AI 應用的基礎能力。它的整體架構可以概括為三層： API 與應用接口層、記憶調度與管理層、記憶存儲與基礎設施層，更注重面向企業級的系統化記憶管理。

據其公開技術文檔及論文顯示[6]：

在API 與應用接口層，MemOS 提供了標準化的 Memory API，開發者可以通過簡單的接口實現記憶創建、刪除、更新等操作，支持多輪對話、長期任務和跨會話個性化等複雜應用場景。

在記憶調度與管理區層，別於其他記憶結構，其核心差異在於從記憶建模的視角出發，提出了記憶調度範式——通過設計異步調度框架，提前預測模型可能需要的記憶信息，例如用戶正值旅遊階段，有關旅遊的記憶和安排會提前被激活，從而降低實時生成中的效率損耗。

在記憶存儲與基礎設施層，MemOS通過標準化的 MemCube 封裝，將明文記憶、激活記憶和參數記憶（又分為內、外兩種參數記憶，內參數記憶即微調進大模型）三種形態有機整合[7]。

如圖所示，在這個環節，它還提供了記憶的過期策略、不同用戶的訪問控制、隱私保護、水印服務等合規設定，並支持多種持久化存儲方式，包括 Graph 數據庫、向量數據庫，甚至構想了記憶的商業生態（MemStore），讓記憶本身成為可以流通的商品。

總體而言，其核心思想是將AI的記憶像企業級數據一樣進行專業化管理，通過分層解耦，區分了不同狀態的記憶（內在/外在，激活/持久化），將記憶的應用、調度、治理、存儲分開。

MemOS背後的企業是記憶張量，2025年6月記憶張量宣佈完成了由孚騰資本、算豐信息、中金資本等知名機構共同投資的近億元天使輪融資。

Memories.ai：

專注視覺記憶。成立於 2024 年，由前 Meta Reality Labs 的華人研究科學家Shawn Shen與Ben  Zhou聯合創立，能為 AI 提供持久、可檢索的視覺記憶層。

Memories.ai已經推出了LVMM 1.0（Large Visual Memory Model）和LVMM 2.0 兩種架構。

其中，LVMM 1.0將影片流解構為影片畫面、語音、文本、元數據四個維度。在畫面解析上，又拆分成框架結構、物體識別、動作理解、事件序列等結構化數據層，把影片解讀並存儲成更詳細的數據，具體到每個片段幀的圖文描述，把拆分好的結果存進數據庫，並進行向量化和知識圖譜，方便用戶query來了進行索引[8]。

在近日，Memories.ai又推出了LVMM 2.0，並宣佈了與高通合作，從 2026 年開始在高通處理器上本地運行，使消費者和企業能夠在其設備上安全、快速地搜索和分析視覺時刻。

Memories.ai 的 LVMM 2.0 通過將原始影片轉換為設備上的結構化記憶，對幀進行編碼、壓縮，並構建支持亞秒級搜索的索引。用戶可以用通俗易懂的語言提出複雜的問題或使用圖像提示，然後跳轉到確切的時刻。在高通處理器上本地運行可降低延遲、降低雲成本並將數據保持在本地以增強安全性，即使在網絡邊緣也能可靠地執行。

2025 年7 月，Memories.ai完成 800 萬美元種子輪融資，領投方為 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，一種面向Agent的新型記憶層服務，由其開發的Graphiti開源框架提供支持。Graphiti 是一個時間知識圖譜框架，用於處理不斷變化的關係並維護歷史背景，其獨特之處在於它能夠自主構建知識圖譜，同時還能推理狀態隨時間的變化。每個事實都包含 valid_at 和 invalid_at ，這使得智能體能夠追蹤用戶偏好、特徵或環境的變化[9]。截止目前，在GitHub上，Zep有3.7K星，Graphiti有19.7K星。

Zep AI 在 2024 年 4 月完成了約 50 萬美元的種子輪融資，領投方為 Y Combinator。

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

Second‑Me 是 Mindverse 打造的 AI 身份模型，核心在於本地隱私訓練、持續記憶對齊、開放生態，主張「訓練你的AI自我」，通過分層記憶模型（HMM）和自我對齊算法，使記憶能夠隨用戶行為持續更新、保持一致性旨在捕獲你的身份、理解你的情境，強調100%的隱私和控制權。

圖中，記憶的L0～L2分別指的是：

L0：原始數據層。該層類似於將RAG等直接應用於原始數據，將記憶定義為所有非結構化數據。

L1：自然語言記憶層。該層包含可以用自然語言形式概括的記憶，例如用戶的簡短個人簡介、重要句子或短語列表以及偏好標籤。

L2：AI 原生記憶層。該層代表那些無需自然語言描述的記憶。相反，這些記憶通過模型參數進行學習和組織。

區別於其他「記憶文件外掛」，Second‑Me提出了首個基於個人文檔記錄的全自動後訓練流程，構建了一個多層混合系統。

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

Supermemory 是一套面向AI應用的通用記憶 API，通過自研向量數據庫、內容解析器、知識圖譜以及豐富的 SDK/Connector[10]，幫助個人和企業實現跨會話、跨模態、可持久的記憶，GitHub上獲得13.2K星。

其特點是：

支持導入文本、文件和聊天記錄（支持多模態，包括文本、圖像、文件、鏈接、影片幀）；
模擬人腦實際運作方式，包括智能遺忘、衰退、近因效應、語境重寫等，進行重新排序結果。
構建一個能夠捕捉「記憶」（模式、見解、背景）的知識圖譜。

舉個例子，在以下場景中：

RAG會檢索語義上最相似的文本，但會忽略了時間進程和因果關係。

而通過時序知識圖譜，Supermemory會跟蹤事實何時失效，並理解因果鏈。

創始人Dhravya Shah年僅 19 歲。2025 年10月，Supermemory完成了約260萬美元種子輪融資，由 Susa Ventures、Browder Capital、SF1.vc 領投。

不存在絕對「正確」的路線，記憶框架的進化剛開始

從根本上看，當下的AI記憶框架（Mem「X」）是RAG方案的進化產物。它們的核心身份仍然是一個外部記憶API，但其職責不再是簡單地提供事實知識庫，而是像人腦一樣，對原始信息進行處理、切割與重組，然後將消化過的「記憶」作為上下文，供大語言模型（LLM）或智能體（Agent）調取。

這種「記憶與處理分離」的架構，模擬了人腦中記憶存儲區與邏輯處理區的分工，優雅地解決了LLM上下文窗口有限的難題。

然而，這也是一把雙刃劍。由於記憶以API形式提供，且目前的記憶的處理更像是簡單的切割和索引，主流平台又普遍支持記憶的遷移與備份，客戶的切換成本相對較低，這使得市場難以形成絕對的「護城河」。

另一方面，這也意味著這是一門高度工程化的B端服務業務。客戶對記憶方案的評估維度極為細分——價格、延遲、準確性、關聯度、安全性，且效果反饋週期長。不存在一個「最好」的方案，只有「最適合」的方案。正是這種多樣化的需求，催生了當前記憶框架在技術路線上的分野。

打個比方，如果LLM有限的上下文是計算機的「物理內存（RAM）」，外部存儲是「硬盤（Hard Drive）」，那麼不同的Mem「X」框架，就是針對不同場景設計出的「內存調度系統」。它們都在回答同一個核心問題：記憶應該如何被組織和調度，才能最準確高效地在「硬盤」和「內存」之間換入換出？

目前，主流的記憶框架可以歸結為三大類：

一類是將記憶管理設定為一種操作系統行為。

此路線將記憶管理視為一種宏觀的、動態的系統行為。以 MemOS 為例，它會主動「整理」全部記憶，將其區分為不同狀態（如明文記憶、激活記憶），並引入一個預測性調度框架。根據當前對話和用戶畫像，它能提前將可能需要的記憶「預加載」到準備區。這種方案的優勢在於處理大規模、高併發的企業級記憶場景，追求整體的調度效率。

第二類是將記憶轉化為知識圖譜的「關聯網絡」，Zep AI、Supermemory、MemOᵍ、Memories.ai都或多或少地提供了這一服務。

此路線的擁護者認為，記憶的力量在於關聯。它們致力於將離散的記憶片段（「用戶喜歡咖啡」）結構化為實體、屬性和關係的「關聯網絡」。這使得AI能夠進行更複雜的邏輯推理。

例如，Zep AI 強調時間維度，能更新「用戶上週喜歡咖啡，但這周失眠不能喝了」這類動態關係；而 Supermemory 則利用LLM自動從對話中提取關係，構建自增長的記憶網絡。這條路線的記憶更新處理成本相對較高，更適合需要深度邏輯和狀態追蹤的場景。

第三類則是通過文件系統（File System），將記憶視為「歸檔資料」。例如，MemU、Memobase，更側重於記憶的組織、分類和應用。

此路線將記憶視為需要精確組織和分類的「歸檔資料」。例如，Memobase 將用戶的靜態偏好和動態經歷分開，以清晰的數據架構換取更低的檢索延遲。而 MemU 的獨特之處在於引入了一個自主記憶代理（Agent）來扮演「檔案管理員」，讓Agent來管理記憶，而非簡單地讓記憶服務於Agent。

此外，還存在如 Second-Me 這樣的混合路線，它通過「全自動後訓練」，將部分記憶特徵直接「刻進」模型參數中，實現了「外掛」與「內化」的結合。

這些路線並非完全互斥，許多項目正在融合多路線的優點。但更關鍵的趨勢在於，記憶框架的「管理者」正在變得越來越聰明，從而避免被替代，形成數據的飛輪。

此前，以MemGPT為代表的初代框架，更像一個按固定規則整理書籍的「機械圖書管理員」，其管理邏輯是工程化的、靜態的。而2025年湧現的新框架，如MemU和MemOS，則越來越多地在記憶管理中引入AI或Agent，使其成為一個能根據用戶動態畫像和上下文，自主學習和優化整理策略的「智慧圖書管理員」。

這種從「索引API」到「自主管理」的進化，是AI記憶框架的競爭焦點，即從基礎的工程實現，轉向如何構建一個更智能、更高效的記憶Agent體系。

2026年，關於記憶的框架進化和競賽，才剛剛開始。

參考資料：

[1]MemGPT: Towards LLMs as Operating Systems