系列教程第一篇 | 作者：攀岩者 | 公众号：AI学习日记
引言：AI 的”金鱼记忆”困境
你有没有遇到过这样的场景？
- 跟 ChatGPT 聊了 50 轮，它突然忘了你是谁
- 每次新对话都要重复”我偏好简洁回复”、”我是 Python 开发者”
- 明明上周讨论过的项目细节，今天又要重新解释
这就是 AI 的”金鱼记忆”问题——7 秒记忆，永远在遗忘。
2026 年，这个问题终于有了成熟解决方案。今天，我将从功能、技术、生态、协议、趋势五个维度，深度对比四大主流 AI Agent 记忆系统，帮你找到最适合的那一个。
一、四大选手登场
| 项目 | Stars | 诞生时间 | 开发方 | 一句话定位 |
|---|
|——|——-|———|——–|———–|
| mem0 | 56k+ | 2024-07 | YC 初创公司 | 通用记忆层，行业标杆 |
|---|---|---|---|---|
| Letta (MemGPT) | 35k+ | 2024-09 | 学术团队 | 有状态 Agent，自我进化 |
| TencentDB Agent Memory | 新项目 | 2026-03 | 腾讯云 | 分层压缩，企业级 |
| agentmemory | 17k+ | 2026-04 | 社区驱动 | 检索最强，零依赖 |
二、功能维度：谁能真正记住？
2.1 检索准确率——找到才是硬道理
| 项目 | 检索准确率 | 测试基准 |
|---|
|——|———–|———|
| agentmemory | 95.2% | R@5 |
|---|---|---|
| Letta | 83.2% | LoCoMo |
| mem0 | 68.5% | LoCoMo |
| TencentDB | — | 未公开 |
agentmemory 以 95.2% 的准确率碾压对手。
这意味着什么？你问”上周讨论的数据库优化方案”，它能找到；你问”用户的编码习惯”，它也能找到。而不像某些系统，搜出来的都是不相关的内容。
2.2 Token 消耗——省钱就是赚钱
| 项目 | 每会话 Token | 年成本估算 |
|---|
|——|————-|———–|
| agentmemory | ~1,900 | $10/年 |
|---|---|---|
| TencentDB | 减少 61% | 约 $30/年 |
| mem0 | ~7,000 | 约 $70/年 |
| Letta | 在上下文中 | 不确定 |
agentmemory 每年只需 $10，比一杯咖啡还便宜。
2.3 自动捕获——懒人福音
| 项目 | 自动捕获 | 实现方式 |
|---|
|——|———|———|
| agentmemory | ✅ 12 个 hooks | 零手动，全自动 |
|---|---|---|
| TencentDB | ✅ | LLM 自动提取 |
| mem0 | ❌ | 手动调用 add() |
| Letta | 部分 | Agent 自编辑 |
agentmemory 的 12 个 hooks 覆盖了对话的每个阶段——开始、工具调用、结束，全程自动捕获重要信息。
三、技术维度：底层架构决定上限
3.1 记忆层级——不是所有记忆都平等
agentmemory 的 4 层架构：
`
L3 Persona（用户画像）
↓ 提炼
L2 Scenario（场景块）
↓ 提取
L1 Atom（原子事实）
↓ 记录
L0 Conversation（原始对话）
`
mem0 的 3 层架构：
`
User Memory（用户级）
Session Memory（会话级）
Agent Memory（Agent 级）
`
TencentDB 的分层压缩：
`
Persona → Scenario → Atom → Conversation
`
结论：agentmemory 和 TencentDB 的分层更细，检索更精准。
3.2 搜索方式——多路召回，命中率更高
| 项目 | 向量搜索 | 关键词搜索 | 图谱搜索 | 融合策略 |
|---|
|——|———|———–|———|———|
| agentmemory | ✅ | ✅ BM25 | ✅ | RRF 融合 |
|---|---|---|---|---|
| mem0 | ✅ | ❌ | ✅ | 简单融合 |
| TencentDB | ✅ | ✅ BM25 | ❌ | RRF 融合 |
| Letta | ✅ | ❌ | ❌ | 单一 |
agentmemory 三路搜索 + RRF 融合，是目前最全面的方案。
3.3 外部依赖——轻装上阵
| 项目 | 外部依赖 | 启动复杂度 |
|---|
|——|———|———–|
| agentmemory | 无（SQLite） | ⭐ 一行命令 |
|---|---|---|
| TencentDB | 无（SQLite） | ⭐⭐ Docker |
| mem0 | Qdrant 向量数据库 | ⭐⭐⭐ 需配置 |
| Letta | Postgres + 向量库 | ⭐⭐⭐⭐ 复杂 |
agentmemory 零外部依赖，SQLite 就够用。
四、开源协议：自由度对比
| 项目 | 协议 | 商业使用 | 修改分发 | 专利授权 |
|---|
|——|——|———|———|———|
| agentmemory | MIT | ✅ | ✅ | ❌ |
|---|---|---|---|---|
| mem0 | Apache 2.0 | ✅ | ✅ | ✅ |
| TencentDB | MIT | ✅ | ✅ | ❌ |
| Letta | Apache 2.0 | ✅ | ✅ | ✅ |
结论：四个项目都很宽松，MIT 和 Apache 2.0 都是业界最友好的协议。
如果你特别在意专利保护，选 Apache 2.0（mem0、Letta）；如果追求极简，选 MIT（agentmemory、TencentDB）。
五、发展趋势：谁在爆发？
5.1 增长速度
| 项目 | Stars | 达到时间 | 增长速率 |
|---|
|——|——-|———|———|
| agentmemory | 17k+ | 7 周 | ~10,000 ⭐/月 🚀 |
|---|---|---|---|
| mem0 | 56k+ | 22 个月 | ~2,500 ⭐/月 |
| Letta | 35k+ | 20 个月 | ~1,750 ⭐/月 |
| TencentDB | 新项目 | 2 个月 | 待观察 |
agentmemory 7 周 17k stars，是史上增长最快的 AI 记忆项目之一。
5.2 社区活跃度
| 项目 | 版本数 | 最近更新 | 社区规模 |
|---|
|——|——-|———|———|
| mem0 | 105+ | 2026-05 | 大 |
|---|---|---|---|
| Letta | 300+ | 2026-05 | 大 |
| agentmemory | 41 | 2026-05 | 快速增长 |
| TencentDB | 27 | 2026-05 | 中 |
5.3 未来预测
agentmemory 按当前增速：
- 1 个月后：~30k stars
- 3 个月后：~50k stars
- 6 个月后：可能超越 mem0
为什么这么猛？
- 解决了真实痛点（编码 Agent 记忆）
- 零依赖，安装即用
- 效果数据惊人（95.2% 准确率）
- 支持所有主流 Agent
六、终极对比表
| 维度 | agentmemory | mem0 | TencentDB | Letta |
|---|
|——|————-|——|———–|——-|
| 检索准确率 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
|---|---|---|---|---|
| Token 效率 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 自动捕获 | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 搜索全面性 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ |
| 外部依赖 | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐ |
| 生态成熟度 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ |
| 增长势头 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |
七、我的选择：agentmemory
经过全方位对比，我最终选择了 agentmemory，理由：
- ✅ 检索最强——95.2% 准确率，用过就回不去
- ✅ 最省 Token——每年 $10，免费 API 额度更耐用
- ✅ 零依赖——SQLite 就够，不用装向量数据库
- ✅ 原生支持 Hermes 和 OpenClaw——我的主力 Agent
- ✅ 增长最快——社区活跃，问题修复快
当然，如果你的需求不同：
- 想要最成熟的生态 → mem0
- 想要企业级支持 → TencentDB
- 想要学术研究 → Letta
八、下一篇预告
《从 0 到 1：agentmemory 部署实战——含踩坑指南》
下一篇将手把手教你：
- 如何在国内网络环境下安装 agentmemory
- 如何配置 API（支持小米 MiMo、DeepSeek 等国产模型）
- 如何避开我踩过的所有坑
敬请期待！
作者简介：攀岩者，东华软件技术总监，19 年 IT 经验，PMP+CKA。每天分享 AI 学习笔记，陪你从零基础到 AI 达人。
>
关注公众号：AI学习日记，获取更多 AI 实战教程。
发表回复