Agent Memory vs Context Substrate
Agent 基础设施中处理长期信息的两种根本不同范式。
核心区分
| 维度 | Memory Backends | Context Substrates |
|---|---|---|
| 核心问题 | "AI 应该记住什么？" | "AI 应该在什么上下文中工作？" |
| 数据流 | 对话 → 提取事实 → 存入数据库 → 检索注入 | 读取结构化上下文 → 在上下文中工作 → 写回结构化上下文 |
| 优化目标 | 回忆（recall） | 复利（compounding） |
| 人类可见性 | 低（黑盒提取） | 高（文件即上下文） |
| 典型代表 | Mem0, MemPalace, Supermemory | OpenClaw, Zep, Thoth, TrustGraph |
Camp 1: Memory Backends
共同循环：对话发生 → 系统提取事实或存储内容 → 事实进入数据库（向量、图或两者） → 下次对话检索相关事实注入。
代表工具：
- Mem0（53.1k stars）：四级操作（add/search/update/delete），三层存储（user/session/agent），混合检索。局限：记忆是扁平条目，无关系，提取质量完全依赖 prompt。
- MemPalace（46.2k stars）：本地优先逐字记忆，wing/room/drawer 组织，ChromaDB 检索。LongMemEval 96.6% 召回。局限：线性增长，无压缩合成。
- Supermemory（21.8k stars）：显式定位"记忆不是 RAG"，时间感知（过期事实自动遗忘），多模态连接器。自创 MemoryBench 框架。
- Honcho（2.4k stars）：将人类和 agent 视为"对等体"，异步推理服务推导心理洞察，PostgreSQL + pgvector。
- Cognee（15.4k stars）：向量搜索 + 图数据库关系推理。
- Memori（13.3k stars）：拦截 LLM API 调用捕获执行上下文，LoCoMo 81.95% 仅用 4.97% 上下文 token。
Camp 2: Context Substrates
共同循环：agent 读取结构化上下文 → 在上下文中工作 → agent（或后台进程）写回结构化上下文 → 下次会话上下文更丰富。
代表工具：
- OpenClaw（358k stars）：纯 markdown 文件（MEMORY.md / YYYY-MM-DD.md / DREAMS.md），无向量数据库，无提取管线。做梦机制：light sleep（筛选分组）→ REM（加权回忆提升）→ deep sleep（晋升 MEMORY.md），阈值门控（最低分 0.8 / 最少回忆 3 次 / 最少独立查询 3 次）。
- Zep（4.4k stars）：从"memory" rebranded 为"context engineering"，时序知识图谱（Graphiti），valid_at / invalid_at 时间戳，预格式化上下文块，sub-200ms 检索。
- Thoth（145 stars）：个人知识图谱，10 实体类型 + 67 类型化有向关系，FAISS + one-hop 图扩展。dream cycle： nightly 四阶段（0.93+ 相似度合并 → 描述丰富 → 关系推断 → 90 天以上关系置信度衰减），三层防污染机制。
- TrustGraph（2.0k stars）："Context Cores" — 可移植、版本化的上下文包（领域 schema + 知识图谱 + 向量嵌入 + 证据源 + 检索策略），将上下文视为一等制品（版本控制、测试、晋升、回滚）。
- MemSearch by Zilliz（1.2k stars）：markdown-first，Milvus 作为"影子索引"，文件是真相来源，向量搜索只是访问层。
关键洞察
Camp 1 解决的是"事实回忆"："我三周前说了什么关于 X？" benchmarks 证明 96%+ 准确率、sub-200ms 延迟、drop-in API 已足够。
Camp 2 解决的是"上下文复利"：agent 需要在包含活跃项目、协作者、近期决策和昨日事件的上下文中运行，且这个上下文明天要比今天更丰富。
作者预测：6 个月内"context engineering"将取代"memory"成为严肃 agent 基础设施的默认术语。