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。
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 ] 。
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 MemO 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。
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。每条记忆也会被视作更知识图谱中的节点。系统会动检测不同时间、不同模态间的联系，构建出个可动态演化的 " 经验络 "，像超链接档样可以被检索和遍历 [ 4 ] 。
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 ] 。
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 ] 。
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。
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。
L0：原始数据层。该层类似于将 RG 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。
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：
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、Mem0^g、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
