AI agent 越来越聪明，但有个共同的毛病：金鱼记忆。你跟它聊了半小时需求，第二天再问，它一脸无辜地说"我没有之前的对话记录"。2026 年，"给 agent 装个脑子"不再是可选项——市面上一口气冒出七八个专做记忆的开源项目，名字还像在抢注：Mem0、Zep、Letta、LangMem、Graphiti、Cognee、Supermemory……新手根本分不清谁是谁。这篇挑六款最有代表性的横着比一比，按场景给结论，不列虚头巴脑的榜单。
先说清楚一件事：下面所有对比，都是基于各项目官方文档、GitHub 仓库与公开描述做的代表性对比，非亲自压测。记忆架构、定位和功能随时可能变动，以各家官方最新文档为准，别拿它当合同。
一、为什么 2026 年人人都在给 agent 装记忆
LLM 本身是无状态的——每次调用都是一张白纸，所谓的"记忆"全靠把历史对话塞回上下文窗口。窗口一满，旧内容就被截断，agent 就失忆了。这在小任务里无所谓，放到长程场景里就是灾难：客服 agent 记不住用户上周报的故障；写作 agent 忘了你定的人设和风格；个人助理 agent 不记得你提过的偏好。
2026 年记忆赛道爆发，根本原因是 agent 从"单轮问答"进化到了"长程自主任务"。一旦 agent 要跨会话、跨天、甚至跨用户协作，记忆就成了基础设施。于是项目们各自押了不同的宝：有人把记忆做成可叠加的"层"，有人做成图结构，有人干脆把记忆塞进 agent 的 runtime 让它自己管。理解了这些押注，选型就不用看榜单，看你的活是什么就够了。
选购前真正该问自己的是四个问题：你的 agent 是长程对话还是机构知识管理？要 agent 自己决定记什么，还是你统一管？已经用了某个框架（如 LangChain）还是从零搭？数据能出境吗（选托管云还是自部署）？四个答案一出来，该选谁基本就锁定。
二、六位选手入场
先把六位的家底亮出来。定位和架构来自各家官方文档与 GitHub 仓库描述，非亲自压测。
| 工具 | 记忆架构 | Provenance 溯源 | 个性化 | 机构知识 | 开源 |
|---|---|---|---|---|---|
| Mem0 | 记忆层（可叠加） | 四层 provenance | 有（按 user/agent 分域） | 弱（偏对话记忆） | 是 |
| Zep | 图结构记忆 | episode 级 | 有 | 中 | 是 |
| Letta | runtime 记忆（agent 自管） | 有（记忆操作可追溯） | 强（agent 自主裁剪） | 弱 | 是 |
| LangMem | 记忆层（可叠加） | 基础 | 有 | 弱 | 是 |
| Graphiti | 图结构记忆（时序图谱） | 有（时序边） | 中 | 中 | 是 |
| Cognee | 知识图谱（ECL 管道） | 有 | 强（个性化层） | 强 | 是 |
先点出几个关键差异。第一，记忆架构分三派：Mem0 和 LangMem 是"可叠加的层"——你把它插在 agent 和 LLM 之间，它负责提取、存储、检索记忆，agent 本身不需要改；Zep 和 Graphiti 是"图结构"——把记忆组织成知识图谱，实体和关系是第一公民，不只是扁平的事实列表；Letta 是"runtime 记忆"——记忆是 agent 运行时的一部分，agent 自己通过函数调用决定记什么、忘什么，思路来自 MemGPT 的操作系统式内存管理。
第二，Provenance（可追溯）是 2026 年记忆赛道的新焦点。Mem0 强调四层 provenance 体系，Zep 做 episode 级溯源——每条记忆都能追到它来自哪段对话。这不是锦上添花，对合规和调试是刚需：agent 说错了一句话，你得能查到是哪条记忆导致的。
第三，六款全开源，但程度不同。Mem0、Zep、Letta 都有自部署版加托管云双轨；LangMem 和 Graphiti 是纯库，嵌进你的应用；Cognee 是框架级，偏向自建管道。这意味着选型时"开源"不是分水岭，"怎么集成"才是。
三、逐个拆：六款各自的最佳射程
Mem0：可叠加的记忆层，接入最轻
Mem0 把自己定位成"给 AI 应用加的记忆层"——你已经有 agent 了，不想重写，就把 Mem0 插在中间，它自动从对话里提取记忆、按 user/agent 维度存储、下次对话时检索相关记忆塞回上下文。官方文档强调四层 provenance 体系，核心解决的是"这条记忆从哪来、谁产生的、什么时候、还能不能用"的溯源问题。
它押的宝是"轻量叠加"。所谓轻量，是你不用改 agent 架构，几行代码接进去就用；所谓叠加，是它不绑死你的框架，LangChain、CrewAI、自己写的 agent 都能接。提供 Python 和 JS SDK，既有开源自部署，也有托管云 Mem0 Cloud。
适合谁：已经有 agent 在跑、想快速补上记忆能力、不想动架构的团队。它的甜区是"对话记忆"——记住用户偏好、历史交互、上下文。不擅长的是机构级知识管理——它不是为"把公司文档变成结构化知识图谱"设计的。
Zep：图结构记忆，长期对话和实体关系的王者
Zep 的核心是图结构记忆。它不把记忆存成扁平的事实列表，而是组织成知识图谱——用户提到的实体、实体间的关系、事件的时间线，都是图里的节点和边。官方强调 episode 级 provenance：每条记忆都绑定到产生它的那段对话（episode），你可以从任何一条事实回溯到原始对话。
它押的宝是"图加时序"。图的好处是能做多跳推理——"用户提到的公司和他上周说的项目什么关系"，扁平记忆答不了，图谱能。时序的好处是能处理"过期"——用户改了地址，Zep 能标记旧地址失效而不是直接覆盖，保留历史。Zep 有开源自部署版和托管云。
适合谁：长期对话场景、客服 agent 需要记住用户和实体的关系、需要对记忆做时序管理（哪些还有效、哪些过期了）。如果你的 agent 核心价值在于"记住人和组织的关系"，Zep 的图结构比扁平记忆层强一档。
Letta：runtime 记忆，agent 自己管自己的脑子
Letta 是 MemGPT 的产品化版本（MemGPT 是 UC Berkeley 的研究项目，把操作系统的内存管理思路搬到了 LLM 上）。它的核心区别是：记忆不是外挂的层或服务，而是 agent runtime 的一部分。agent 自己通过函数调用管理记忆——把不急的塞进"归档记忆"，把需要的"调页"回主上下文，主动决定记什么、忘什么。
它押的宝是"runtime 记忆加自主管理"。别的设计是你在代码里写死记忆逻辑，Letta 是把记忆管理权交给 agent 自己——它调用 memory 工具来读写记忆，就像人主动决定"这个要记下来"。好处是 agent 能根据任务动态裁剪记忆，个性化程度最高；代价是 agent 的记忆质量取决于它自己的判断，可控性不如你在代码里写死的规则。
适合谁：长程自主 agent、需要 agent 深度个性化记忆的场景、研究型项目。如果你要的是"对话历史都给我存下来别丢"，Mem0 或 Zep 更直接；如果你要的是"让 agent 自己决定该记什么"，Letta 是唯一选。
LangMem：LangChain 生态的轻量记忆库
LangMem 是 LangChain 团队出的记忆库，定位是"给 LangChain/LangGraph agent 用的可叠加记忆层"。它不是一个独立服务，而是嵌在你应用里的库——提供记忆的提取、存储、检索原语，你自己在 LangGraph 的 state 里编排。
它押的宝是"生态原生"。如果你已经用 LangGraph 搭 agent，加 LangMem 几乎零摩擦——它和你已有的 state、checkpoint、工具定义天然对齐，不用再接一个外部记忆服务。代价是：它是库不是平台，没有开箱即用的托管云，记忆存储要你自己配（接 PostgreSQL、向量库等）。能力上偏基础，没有 Zep 那种图结构和时序推理。
适合谁：LangChain/LangGraph 用户、记忆需求不复杂、愿意自己组装存储后端的团队。不在 LangChain 生态的话，选它的意义不大。
Graphiti：时序知识图谱引擎，Zep 的图引擎独立成库
Graphiti 来自 Zep 同一个团队（getzep），是 Zep 图结构记忆背后的引擎独立成了开源库。它不是一个记忆服务，而是一个"构建时序知识图谱"的引擎——你往里灌数据，它帮你构建带时间线的知识图谱，实体、关系、事件都带时序标记。
它押的宝是"图引擎加时序"。和 Zep 的关系是：Zep 是成品服务（开箱即用），Graphiti 是引擎（你自己造车）。适合想自建图记忆系统、要深度控制图谱构建逻辑、或者要把时序知识图谱嵌进自己产品的团队。代价是要自己写集成和记忆管理逻辑，门槛比直接用 Zep 高。
适合谁：要自建图记忆系统的开发团队、对图谱构建有定制需求、不想被 Zep 托管云绑定的项目。如果你只是要"能用"的图记忆，直接上 Zep 更省事。
Cognee：机构知识加个性化，企业知识管理路线
Cognee 走的是另一条路：不只是对话记忆，而是把机构的文档、Wiki、知识库灌进去，构建知识图谱，同时支持个性化——不同用户看到的知识视图不同。它的管道叫 ECL（Extract-Cognify-Load），从非结构化数据里抽取实体和关系、构建图谱、加载到存储。
它押的宝是"机构知识加个性化"。前面五款偏"对话记忆"——记住和用户聊过什么；Cognee 偏"知识管理"——把组织的知识变成结构化图谱，再按用户做个性化。这个定位让它在企业知识管理场景里没有直接对手，但也意味着它不适合"给聊天 agent 加个记忆"这种轻量需求。
适合谁：企业团队要把内部知识结构化、要按角色做知识个性化、有文档/Wiki 知识库要变成可推理图谱。如果你的需求是"agent 记住用户偏好"，Cognee 太重了。
四、集成方式与适用场景
把集成维度单独拉一张表，这往往是选型的实际决定因素。
| 工具 | 集成方式 | 生态/语言 | 部署形态 | 最佳场景 |
|---|---|---|---|---|
| Mem0 | SDK/库 + 托管云 | Python/JS，框架无关 | 自部署/云 | 给已有 agent 加记忆层 |
| Zep | 独立服务（API） | Python/JS SDK | 自部署/云 | 长期对话、实体关系记忆 |
| Letta | runtime/框架 | Python SDK | 自部署/云 | 自主管理记忆的长程 agent |
| LangMem | 库（LangChain 生态） | Python，LangChain/LangGraph | 嵌入应用 | LangChain 生态内的轻量记忆 |
| Graphiti | 库（时序图谱引擎） | Python | 嵌入应用 | 自建图谱记忆系统 |
| Cognee | 框架/库 | Python | 自部署 | 机构知识管理 + 个性化 |
还有两款值得留意：Supermemory 是一个更轻量的开源记忆层，定位和 Mem0 类似但更偏"开箱即用"，适合想极简接入的个人开发者；Cloudflare 把记忆做进了它的 AI 平台（Workers AI 等），记忆和计算耦合在一起，适合已经在 Cloudflare 生态里的项目，但会绑定平台。这两款的定位决定了它们更窄，主力对比还是看上面六款。
五、选型决策树：四个场景对号入座
别看热度选，看你的活是什么。
场景一：给已有 agent 加记忆，不想动架构。 选 Mem0。它就是为"叠加"设计的，几行代码插进去，框架无关，开源自部署加托管云都行。你的需求是"记住用户偏好和历史交互"，Mem0 的甜区。
场景二：长期对话，要记住人和实体的关系。 选 Zep。图结构记忆在多跳推理和关系记忆上碾压扁平记忆层。客服、CRM、个人助理这类"关系是核心"的场景，Zep 的图加时序是最强组合。想自建图谱引擎则看 Graphiti。
场景三：让 agent 自己决定记什么。 选 Letta。它是唯一把记忆管理权交给 agent 的——runtime 记忆、agent 自主调页。长程自主 agent、需要深度个性化记忆、研究型项目，Letta 的 MemGPT 血统是独家优势。
场景四：企业知识管理加个性化。 选 Cognee。它不是对话记忆工具，是知识图谱构建器，把机构知识结构化再按用户个性化。前五款都不擅长这个。
还有几个常见组合。一是 Mem0 做对话记忆加 Cognee 做机构知识，两个维度分开管。二是 LangMem 嵌在 LangGraph 里管轻量记忆加 Zep 做独立的关系图谱服务，按复杂度分工。记忆工具不是单选题，按场景配组合更现实。
六、三个避坑：过期信息、记忆噪声、平台绑定
第一，过期信息是记忆工具的头号坑。用户改了地址、换了工作、之前说的偏好过时了——如果记忆层只会追加不会失效，agent 就会用错误信息回答。Zep 的时序图谱和 Letta 的 agent 自主管理都能处理"标记失效"而非"直接覆盖"，Mem0 的 provenance 体系也支持记忆更新。选之前确认工具能不能处理"过期"，不能的话你自己得在外层加淘汰逻辑。
第二，记忆噪声会拖垮检索。什么都记等于什么都不记——如果记忆层把每句闲聊都存下来，检索时就会被无关记忆淹没。Letta 让 agent 自己裁剪是一种解法，Mem0 和 Zep 靠提取策略过滤。关注工具的记忆提取策略，别让它无脑全存。
第三，平台绑定要算清账。托管云（Mem0 Cloud、Zep Cloud、Letta Cloud）省事但你的记忆数据在别人手里，迁出成本不低。Cloudflare 的平台耦合更极端——记忆和它的 AI 运行时绑死，离开 Cloudflare 就带不走。生产部署前想清楚：数据能不能出境、要不要自部署、迁出成本能不能接受。
FAQ
Q：记忆层和 runtime 记忆有什么区别？ A：记忆层（Mem0、LangMem）是把记忆做成外挂模块——agent 该怎么跑还怎么跑，记忆层在旁边帮你提取和检索，agent 不参与记忆管理决策。Runtime 记忆（Letta）是把记忆塞进 agent 的运行时——agent 自己通过函数调用读写记忆，主动决定记什么、忘什么，就像人主动记笔记。前者你可控、好集成；后者更灵活、个性化更强，但记忆质量取决于 agent 自己的判断。
Q：我该怎么选？ A：四个问题定方向。已有 agent 想加记忆选 Mem0；长期对话记关系选 Zep；要 agent 自管记忆选 Letta；LangChain 用户轻量需求选 LangMem；企业知识管理选 Cognee；要自建图引擎选 Graphiti。先确定你的核心场景，别按 star 数选。
Q：记忆工具和 RAG 什么关系？ A：高度互补但不是一回事。RAG 是"从外部知识库检索相关文档"喂给模型，解决的是"模型不知道的知识"——比如你的产品手册、公司规章。记忆工具是"记住和用户的历史交互"，解决的是"模型忘了的上下文"——比如用户上周说过的偏好。很多 agent 两样都要：用记忆工具记住用户上下文，用 RAG 检索外部知识。Mem0 和 Zep 也能接外部数据，但它们的强项还是交互记忆。
Q：生产部署用哪个？ A：Mem0 和 Zep 都有成熟的自部署加托管云双轨，生产可用性最高。Mem0 适合"记忆层"场景，Zep 适合"图记忆"场景。Letta 的 runtime 记忆更适合研究型或高度定制化的长程 agent，生产成熟度在追赶但定位独特。LangMem 和 Graphiti 是库，生产化要你自己搭存储和运维。数据不能出境就选自部署版。
Q：agent 会记住过期信息怎么办？ A：这是记忆工具的核心设计问题，选型时要重点看。Zep 用时序图谱标记记忆的有效期，旧信息会被标记失效而非删除；Letta 让 agent 自己判断哪些记忆该更新；Mem0 的 provenance 体系支持记忆的更新和淘汰。不管选哪个，都要在业务层加一道"记忆过期检查"——比如定期审查、关键信息变更时触发记忆刷新，别完全依赖工具自动处理。
参考来源
- Mem0 官方文档与仓库：https://github.com/mem0ai/mem0
- Zep 官方文档与仓库：https://github.com/getzep/zep
- Letta（前身 MemGPT）官方文档与仓库：https://github.com/letta-ai/letta
- LangMem 仓库：https://github.com/langchain-ai/langmem
- Graphiti 仓库：https://github.com/getzep/graphiti
- Cognee 仓库：https://github.com/topoterms/cognee
- Supermemory 仓库：https://github.com/supermemory-ai/supermemory