2026 Agent Memory 开源项目推荐

结论先说： 2026 Agent Memory 开源项目不要直接按“谁的搜索结果更准”来排名。你需要先定义记忆对象：轻量通用长期记忆优先评估 Mem0，状态化 Agent 运行时优先看 Letta，时间关系和事实变化优先评估 Zep 的 Graphiti，重视上下文图、决策推理和来源追踪再评估 Semantica。

这篇适合准备给聊天 Agent 或任务 Agent 增加长期记忆的开发者、需要自托管和数据控制的企业团队，以及正在比较图记忆与 Agent 运行时路线的架构师。如果你只想给现有应用增加“记住用户偏好”的能力，不需要立刻引入完整 Agent 运行时，可以先从 Mem0 开始；如果你要管理完整 Agent 状态，就不要把所有项目都当成向量数据库插件来比较。

最后更新于 2026 年 8 月 14 日，数据核实自四个项目当前官方仓库、官方文档与 Graphiti 官方说明。项目的许可证、部署方式和开源边界发生变化后，应重新验收。

第一步：先把 Agent 要记住的内容拆成 5 类

“长期记忆”不是一个单一功能。你至少要区分下面 5 类数据，否则比较结果很容易失真：

• 用户偏好：用户喜欢的输出格式、语言、预算、工作习惯。
• 任务状态：当前任务完成到哪一步、哪些工具已经调用、下一步需要什么。
• 事件时间线：某个事实何时成立、何时失效、发生过哪些交互。
• 知识关系：人员、项目、组织、文件和业务实体之间的关系。
• 决策来源：Agent 为什么做出某个决定，引用了什么事实，是否能够回溯。

这 5 类数据对应的系统抽象并不一样。Mem0 更像可嵌入应用的记忆层，官方文档同时提供库模式和自托管服务模式；Letta 则把记忆放进状态化 Agent 的运行时；Graphiti 处理带时间属性的实体和关系；Semantica 当前文档强调上下文、决策、因果关系、来源和审计轨迹。(docs.mem0.ai)

向量记忆还是知识图谱，应该根据什么来选？

如果你的问题主要是“用户以前说过什么”，向量检索通常更容易开始；如果你的问题是“某个事实在什么时间有效、它和哪些实体相关、旧事实为何被替换”，知识图谱或时间关系图更合适。不要把二者简单理解成谁更先进，真正要看你的查询是否包含关系、时间和来源约束。

2026 Agent Memory 开源项目：按记忆指标区分四条路线

Mem0：轻量通用记忆层的优先候选

Mem0 的定位是给 LLM 应用和 Agent 提供通用记忆能力，而不是强制你采用某种完整 Agent 架构。官方开源文档明确提供两种运行方式：作为 Python 或 Node.js 库嵌入应用，或者通过服务端和控制面板进行自托管。其默认库配置包含本地 Qdrant 和 SQLite 历史存储，但生产环境可以替换模型、嵌入、向量库和重排器。(docs.mem0.ai)

因此，Mem0 适合以下情况：

• 现有 Agent 框架已经稳定，只缺少跨会话记忆；
• 你需要按用户、会话或业务空间组织记忆；
• 你希望先用向量记忆验证产品，再决定是否增加图结构；
• 你希望本地开发和生产部署采用相近的接口。

它的隐性成本也很明确：记忆抽取依赖模型判断，错误信息可能被写入；如果你只测试“能否召回”，却不测试冲突、删除和过期数据，生产后仍然可能出现 Agent 坚持错误偏好的情况。

Letta：把记忆视为 Agent 状态的一部分

Letta 的官方仓库仍明确标注“formerly MemGPT”，也就是它曾用名 MemGPT。与单独的记忆服务相比，Letta 的核心抽象是可持续运行的状态化 Agent，记忆块、工具调用、消息历史和 Agent 状态共同组成运行时。官方文档将其定位为构建 stateful agents 的平台，并提供开源 Agent harness。(github.com)

你可以优先考虑 Letta 的情况包括：

• Agent 需要跨多轮任务维持明确状态；
• Agent 会通过工具修改自己的记忆或工作上下文；
• 你不想把“记忆读取、状态更新、Agent 循环”拆成多个独立服务；
• 你愿意接受更强的运行时约束，以换取更完整的 Agent 生命周期管理。

Letta 不等于单纯的向量记忆库。它和 Zep 的区别也不只是“一个简单、一个复杂”：Letta 更关注 Agent 如何持续运行和管理自身状态，Zep 与 Graphiti 更关注外部事实、实体关系和时间变化如何组织与检索。

Zep 与 Graphiti：时间关系图路线

Zep 的开源边界必须单独说明：Graphiti 是由 Zep 发起并开源的 Context Graph 框架，而 Zep 产品本身还包含建立在 Graphiti 和专有引擎之上的托管能力，不能笼统地把 Zep 的全部功能称为开源。官方说明把 Graphiti 描述为可本地运行的框架，支持实体、关系、时间信息，以及向量、全文和图遍历结合的检索。(getzep.com)

Graphiti 官方列出的后端包括 Neo4j、FalkorDB 和 Amazon Neptune，并支持多种模型提供方；这意味着你需要把图数据库、嵌入模型、抽取模型和权限体系一起纳入部署评估，而不能只看 Python 包是否能安装。(getzep.com)

Zep 或 Graphiti 更适合：

• 客户、合同、项目、工单等实体关系会不断变化；
• 查询经常带有“截至某个时间点”的条件；
• 你需要保留旧事实，而不是简单覆盖原记忆；
• Agent 的答案必须解释事实来自哪里、什么时候有效。

Zep／Graphiti 和 Letta 的边界在哪里？

Zep／Graphiti 主要解决“事实和关系如何随时间组织、更新与查询”；Letta 主要解决“一个持续运行的 Agent 如何维护自身状态、记忆块和工具交互”。如果你要做客户知识网络，优先评估 Graphiti；如果你要做会持续执行任务的个人 Agent 或工作 Agent，优先评估 Letta。

Semantica：上下文图、决策和溯源优先

本文按 Semantica 当前官方文档中展示的上下文与决策能力进行比较。其文档将 AgentMemory 放在记忆和决策层中，并提供向量存储、记忆保留、删除、会话历史等能力；官方仓库则强调上下文图、因果推理、来源、冲突检测、决策记录和审计轨迹。(docs.getsemantica.ai)

Semantica 更适合这些项目：

• Agent 的答案需要关联决策记录和事实来源；
• 你要处理冲突信息，而不是只返回相似文本；
• 业务需要对上下文、因果关系或本体进行治理；
• 你愿意投入更多建模工作，换取更强的解释性。

它不一定是最适合所有团队的第一步。若你只是要记住“用户喜欢简洁回答”，一开始就引入上下文图、来源和决策层，可能会增加建模、测试和运维负担。

第二步：检查写入、更新、冲突和遗忘能力

生产环境不能只问“能不能搜到”。你还要验证记忆什么时候被写入、相同事实如何合并、旧信息如何失效，以及用户要求删除后是否真的从检索路径中消失。

Mem0 官方文档提供记忆写入、搜索、组件替换和评估入口；Semantica 的 AgentMemory 文档示例包含保留策略、最大记忆数量、删除单条记忆和清理指定会话历史等操作。需要注意的是，文档示例中的 10000 是接口参数示例，不应被当成所有部署的推荐容量。(docs.mem0.ai)

你可以用下面的验收问题替代模糊的“效果不错”：

• 同一用户先说“使用 Python”，后说“项目已改用 Rust”，系统是否能区分新旧事实？
• 用户要求删除某段偏好后，向量索引、关系索引、缓存和审计记录如何处理？
• Agent 误把猜测写成事实时，是否能标记置信度或来源？
• 同一记忆被多个 Agent 修改时，是否有版本、租户或主体隔离？
• 过期的合同、权限和项目状态是否会继续被召回？

经验提醒： 记忆删除不是数据库里的一个 DELETE 就结束了。你必须同时检查原始记录、派生摘要、向量索引、图关系、缓存和导出文件，否则用户看到的只是“界面上删掉了”，Agent 仍可能从其他副本中召回。

第三步：核对本地部署的真实依赖

选择本地部署方案时，需要核对哪些条件？

四者都可以从不同程度的本地化路径开始，但“开源”不代表所有托管功能、控制面板和企业治理能力都能在本地完整复现。

• Mem0：官方文档提供库模式和自托管服务模式，并允许替换 LLM、嵌入、向量存储和重排器。
• Letta：官方仓库采用 Apache-2.0 许可证，并提供本地 CLI、SDK 与 Agent 服务路线；你仍需单独核对具体版本的数据库、模型和部署依赖。(github.com)
• Graphiti：官方说明强调框架可本地运行，但 Zep 托管产品的全部能力不应自动视为 Graphiti 的开源能力。
• Semantica：官方仓库和文档提供本地代码、AgentMemory、上下文和决策相关接口，但具体图数据库、模型服务及企业认证能力要按版本文档逐项验证。

自托管真正的成本通常来自 4 个地方：模型推理、嵌入生成、数据库运维和权限审计。若你将数据留在本地，却把记忆抽取或重排交给外部模型，数据控制边界仍然没有完全闭合。

在部署前，建议逐项勾选：

• [ ] 已核对项目许可证、当前主分支和最近版本状态；
• [ ] 已确认核心记忆能力是否位于开源仓库，而不是只存在托管产品；
• [ ] 已列出模型、嵌入、向量库、图数据库和关系数据库依赖；
• [ ] 已验证离线或内网模式下能否完成写入与检索；
• [ ] 已设计租户隔离、用户删除、数据导出和审计日志；
• [ ] 已用真实业务数据的脱敏副本完成迁移演练；
• [ ] 已为错误记忆、过期事实和冲突关系准备回滚方案。

如果团队还没有稳定的本地部署环境，可以先阅读 ZavCloud 帮助中心，确认远程开发环境的连接、权限和运维边界，再决定是自购设备、部署内网主机，还是租用临时测试环境。

第四步：用统一数据集公平验收

不同项目的官方演示数据、模型、提示词和后端都可能不同，所以不要直接拿宣传页面上的准确率、延迟或成本数字做横向排名。Graphiti 官方页面展示了其基准测试结果，但这些结果依赖特定数据集、模型、配置和方法；除非你完整复现条件，否则只能把它当作项目方披露的参考，不能当成你业务的保证。(getzep.com)

建议你准备同一份脱敏数据集，至少覆盖：

1. 用户偏好新增与修改；
2. 多次对话中的时间线事件；
3. 同一实体的关系变化；
4. 相互冲突的事实；
5. 删除、撤回和权限变化；
6. 多 Agent 共享与隔离；
7. 需要返回来源的决策问题。

验收指标也要拆开记录：

• 写入正确性：该写入的记忆是否被识别，不该写入的闲聊是否被过滤；
• 检索正确性：答案是否引用了相关记忆，而不是只返回相似文本；
• 时间正确性：查询历史状态时，是否错误使用当前事实；
• 更新正确性：新事实是否替换或修正旧事实；
• 删除有效性：删除后的内容是否仍能从其他索引召回；
• 隔离正确性：不同用户、项目和 Agent 是否发生越权召回；
• 可解释性：是否能展示来源、版本、关系路径或决策依据。

第五步：按团队类型做最终选择

原型团队：先评估 Mem0

你需要快速验证“记忆是否能改善产品”，而不是先搭建完整知识图谱时，Mem0 通常是更稳妥的起点。备选方案是直接在应用内实现简化记忆，但这会把抽取、更新、删除和评估逻辑分散到业务代码中，后续迁移成本可能更高。

状态化 Agent 团队：优先看 Letta

如果 Agent 需要持续运行、维护工作记忆、调用工具并在多次任务之间保持状态，Letta 的抽象更贴近问题本身。备选方案是将现有 Agent 框架与独立记忆层组合，但你需要自行处理运行时状态、记忆写入时机和失败恢复。

知识图谱项目：评估 Graphiti／Zep 路线

如果核心查询依赖实体、关系和时间变化，Graphiti 比单纯向量记忆更值得测试。你需要特别确认图数据库依赖、关系更新策略、历史事实保留方式，以及你实际使用的是开源 Graphiti 还是 Zep 托管能力。

高治理项目：评估 Semantica

当项目必须追踪决策来源、冲突关系、上下文结构和审计轨迹时，Semantica 更值得进入候选名单。备选方案是 Mem0 或 Graphiti 加自建治理层，但治理逻辑会由你自己维护，测试范围和长期责任也会扩大。

无论你最终选择哪一个，都建议先选出两款候选，使用同一批脱敏数据进行双轨测试，再迁移生产数据。不要因为某个项目的 Star 数、演示视频或单项基准成绩较高，就跳过删除、冲突、权限和迁移验收。

当前方案与 Mac 开发环境的取舍

如果你现在把四种记忆方案直接跑在个人电脑或临时共享主机上，常见问题是模型与数据库依赖难以复现、长时间运行容易中断、多人共享时权限边界不清，而且图数据库和向量库的磁盘读写会影响其他开发任务。自建机器还需要你自己处理系统升级、远程访问、备份和故障恢复。

当你只是需要短期搭建 Mem0、Letta、Graphiti 或 Semantica 的测试环境，租用 ZavCloud 的 Mac 云环境通常比临时改造个人设备更容易保持配置一致，也方便你为两款候选方案建立独立测试节点。你可以先查看 ZavCloud 的 Mac 云租用方案，再结合 帮助中心的连接与使用说明 安排统一数据集测试；如果项目需要长期高负载运行、固定物理接口或完全内网隔离，直接采购并维护自有设备可能更合适。

选型的最后一步，不是立刻迁移全部记忆，而是为两款候选方案准备相同的数据集、相同的模型条件和相同的删除测试，然后把结果记录进你的 Agent 数据治理文档。只有当召回正确性、过期处理、权限隔离和故障恢复都通过验收，才值得把临时测试环境升级为生产记忆层。