開源 Agent 記憶框架選型：七家拆解與決策指南

🌏 English version

你的 agent 需要跨 session 的長期記憶，但不想被某朵雲綁死。2026 年的開源選擇比兩年前多了很多——也亂了很多。這篇把七套主要框架按同一組判準拆開比較，最後依四種常見場景給選型建議。

如果你還不確定「記憶」在 agent 系統裡指什麼，建議先看本系列的 order 1：四種記憶與六個設計軸。如果你想知道各家雲平台的託管方案（Anthropic memory tool、OpenAI sandbox memory、Vertex AI Memory Bank、AWS AgentCore、Microsoft Foundry），那是本系列 order 4：五朵雲的記憶 API。

設計哲學光譜上的定位

開始比較之前，先看這七家落在哪裡。依 Anthropic 的 harness 系列文 和 LangChain 的 context engineering 文 建立的光譜：

檔案即記憶（人可讀、git 可管）                    全自動抽取的向量 / 圖記憶
◄────────────────────────────────────────────────────────────────────────►
        Letta MemFS          LangGraph Store    LlamaIndex     Mem0    Supermemory     Graphiti    Cognee
        (git-backed)         (namespace KV)     (blocks+SQL)   (向量)  (時態向量圖)     (bi-temporal KG)  (三儲存混合)

越左邊，人越看得懂、改得動；越右邊，自動化程度越高但中間態越不透明。沒有哪邊「比較好」——取決於你的場景需要人審核還是全自動。

Mem0：一行 add() 的自動抽取

Mem0（Apache-2.0，v2.0.19，2026-08-24）是目前整合最廣的開源記憶層。依 Mem0 ECAI 2025 論文，核心流程是：對話進來 → LLM 抽取值得保留的事實 → 存進向量 store → 下次用語意 + BM25 + entity 混合檢索取回。

儲存：向量為主。2026 版改為單趟 ADD-only 抽取（OSS v2→v3 遷移文件），graph memory 已從開源版移除，改為 Platform 內建。

寫入：add(messages, user_id=..., agent_id=..., infer=True) 一行搞定，LLM 自動決定抽什麼。

遺忘：update / delete、expiration_date；recency decay 只影響檢索排名，不會自動刪除。沒有 Ebbinghaus 式衰減。

租戶隔離：user_id / agent_id / app_id 是應用端慣例，沒有內建 ACL。Platform 版另有 org / project 層級，SOC 2 Type I、HIPAA-ready。

Benchmark：論文 LoCoMo 66.9（Mem0）/ 68.4（Mem0-g）vs full-context 72.9；2026 研究頁自報 LoCoMo 92.5、LongMemEval 94.4（vendor 自報，judge 與 backbone 不同，不能直接比較）。

整合生態：OpenMemory MCP、AWS AgentCore 整合、LangGraph / LlamaIndex adapter、Claude Code / Cursor / Codex plugins。$24M 募資（2025-10-28）。

適合快速在現有 agent 上加「記得使用者偏好」功能。不適合需要時間推理或矛盾歷史的場景。完整拆解見本系列 order 6：Mem0 完整介紹。

Zep / Graphiti：時間是一等公民

Graphiti（Apache-2.0，v0.29.3，2026-07-27）是開源引擎；Zep Cloud 是基於它的商業服務（SOC 2 Type II、HIPAA）。Zep Community Edition 已於 2025-04-02 停止。

儲存：bi-temporal 知識圖——每條 edge 有 created_at / expired_at / valid_at / invalid_at。矛盾的事實不會被覆蓋或刪除，而是被標記為「在某個時間點失效」。依 Graphiti 論文，這讓系統能回答「他上個月住哪」這類時間限定的問題。

寫入：Zep Cloud 自動 ingest thread 訊息（<10 秒延遲）；Graphiti 開源版需顯式 add_episode / add_triplet。

讀取：thread.get_user_context 回傳 Context Block（USER_SUMMARY + 帶日期區間的 FACTS），P95 延遲 <200 ms。Graphiti 另有 hybrid search。

遺忘：時間維度失效，不是物理刪除——這是跟 Mem0 最大的設計差異。想查「什麼時候開始不對」的場景，Graphiti 保留了證據。

租戶：account → projects → users / graphs；Graphiti group_id 由應用端強制。

Benchmark：論文 DMR 94.8% vs MemGPT 93.4%；LongMemEval 最高 +18.5%、延遲 −90%；行銷頁 LoCoMo 94.7（vendor 自報）。

適合需要「時間推理」的場景：客服歷史、醫療記錄、合約變更追蹤。不適合只需要簡單偏好記錄的輕量場景。完整拆解見站內 Zep 介紹。

Letta：agent 自己管自己的記憶

Letta（Apache-2.0，v0.16.8，2026-05-14）從 MemGPT 論文 演化而來，核心理念是把記憶管理做成 agent 自己的工具——模型用 memory_replace / memory_insert / memory_rethink 主動編輯釘在 system prompt 裡的 core memory blocks。

第一代（MemGPT 時期）：core blocks（常駐 system prompt）+ archival（pgvector 長期）+ recall（對話歷史）。

第二代（2026-03-16 「Letta's Next Phase」）：Letta Code 成旗艦產品。legacy memory tools 被 git-backed Context Repositories / MemFS（2026-02-12）取代。sleep-time compute 演化為 Dreaming 背景反思 subagent。

跨 agent：共享 blocks、Conversations API（2026-01-21）、共享 archive。這是少數原生支援多 agent 記憶共享的框架。

遺忘：block 編輯（agent 自己改）、compaction、git revert。git-backed 意味著記憶有完整版本歷史。

Benchmark（vendor 自報）：Letta Filesystem 74.0% LoCoMo（GPT-4o-mini）vs Mem0 68.5%。

定價：Free / Pro $20 / API $20 + $0.10 per active agent。

適合需要 agent 自主管理記憶、且希望記憶進 git 可審可回溯的場景。學習曲線比 Mem0 陡——你需要理解 blocks / archival / recall 的分工。完整拆解見站內 Letta 介紹。

LangGraph / LangMem：框架原生的記憶層

LangGraph（MIT，v1.2.11，2026-08-11）是 LangChain 生態的 agent orchestration 層，記憶不是獨立產品而是框架的一部分。

短期：checkpointer（thread state）。後端可選 InMemory / Sqlite / Postgres / MongoDB / Redis（Redis 原生 TTL）。每次 graph 執行完自動快照。

長期：Store（namespace tuple 的 put / get / search / delete）。IndexConfig 開啟語意檢索。Platform 版有 TTL 設定。

記憶類型：依 LangChain 2024-10 部落格 文件化為 semantic / episodic / procedural，並區分 hot-path（同步、在 graph 節點裡寫）與 background（非同步、用 ReflectionExecutor）寫入。

LangMem（MIT）：manage / search tools、memory managers、prompt optimizer。最後功能版 0.0.30（2025-10-27），實質進入維護模式。

LangChain 1.x middleware：SummarizationMiddleware、ContextEditingMiddleware(ClearToolUsesEdit)、FilesystemMiddleware + CompositeBackend（/memories/ → StoreBackend）。

LangSmith Fleet（2026-01-13 GA）：記憶 = memories/ 資料夾檔案，每次更新須使用者核准——這是 2026 年「寫入權交還人」趨勢的代表。

適合已在用 LangGraph 的團隊——不用額外引入 infra，checkpointer + Store 就夠。不適合 LangChain 生態以外的專案（鎖定程度高）。

LlamaIndex Memory：block 優先級控制截斷

LlamaIndex（MIT，llama-index-core 0.14.24，2026-08-19）的 Memory 模組在 2025-05-08 改版。

核心機制：Memory 物件管理 token_limit（預設 30,000）、chat_history_token_ratio（0.7）、token_flush_size（3,000）。超額時最舊訊息以 token_flush_size 批次歸檔到各 block 的 aput()，讀取時 get() 把 blocks prepend 回 context。

Blocks（可組合）：

• StaticMemoryBlock：固定文字，永不截斷
• FactExtractionMemoryBlock(max_facts=50)：LLM 抽取事實，超過就 condense
• VectorMemoryBlock(similarity_top_k=2)：向量檢索
• priority 0 的 block 永不被截斷——這是控制「什麼一定要記住」的機制

租戶：只有 session_id，沒有 user / org 維度。

整合：2026 新增 llama-index-memory-mem0（1.0.0）和 llama-index-memory-bedrock-agentcore（2026-02-06），讓 Mem0 和 AgentCore 當 block 後端。

適合已在用 LlamaIndex 的 RAG 專案、想漸進加入記憶功能。租戶隔離弱——B2B 多租戶場景需要自己在 block 層加 user / org 維度。

Cognee：三種儲存的混合管線

Cognee（Apache-2.0，v1.5.3，2026-08-23）是資料到 AI 記憶的 pipeline，用三種儲存混合：relational（LanceDB 預設）+ vector + graph（Kuzu 預設，可換 Neo4j / FalkorDB）。$7.5M seed（2026-02-19）。

API：remember() = add → cognify → improve；recall() / search(SearchType) 讀取；forget() 刪除。

遺忘：forget()、prune、feedback weights。沒有時間衰減。

租戶：users / tenants / roles，每 dataset 獨立 DB。比 Mem0 和 LlamaIndex 的隔離更完整。

Benchmark：HotPotQA F1 0.84（vendor 自報）；獨立評測 MemoryAgentBench 約 31–42，表現普通。

適合需要把非結構化文件轉成可查詢知識圖的場景（例如企業知識庫）。API 比 Mem0 複雜，pipeline 可客製但學習曲線高。完整拆解見站內 Cognee 介紹。

Supermemory：時態向量圖引擎

Supermemory（MIT，server 0.0.8，2026-08-17）自稱「Temporal Vector-Graph Engine」，混合 chunks + memories（fact graph）+ profile 三層。$3M 募資（2025-10-06）。

寫入：/v3/documents、/v4/memories、SDK 自動擷取。Memory Router proxy（狀態不明——文件提到但社群反映不穩定）。

遺忘：比多數框架完整——expiry、矛盾版本化、forgetAfter、forget-matching、Memory Review。

租戶：containerTag 隔離。

Benchmark（vendor 自報，有爭議）：LongMemEval-S 84.6%（gpt-5）。

專案還早期，API 頻繁變動（v3 → v4 短時間內就換了）。適合願意承受早期風險、想要時態記憶但不想自己建圖的場景。

2026 新進者速覽

這些框架或新或小，但各有獨特的設計點：

以上 benchmark 數字一律視為 vendor 自報。依 Penfield Labs 2026-04 稽核，LoCoMo 有 6.4% 答案本身是錯的、LLM judge 接受了 63% 的錯答，不同 backbone 分數差距可達 40 分。

能力矩陣（僅開源框架）

四種場景的選型建議

場景一：B2C 個人化（記住使用者偏好）

需求：快速加記憶、API 簡單、不需要複雜的時間推理。

首選 Mem0。一行 add() 就能開始，user_id 分區夠用。如果你已在用 LlamaIndex，llama-index-memory-mem0 adapter 是最低侵入的接法。

注意：Mem0 的租戶隔離是應用端慣例，沒有內建 ACL。如果你的 B2C 場景涉及多租戶（例如 SaaS），需要自己在應用層加權限檢查。

場景二：B2B 多租戶（企業客戶各自獨立）

需求：嚴格的資料隔離、可審計、合規。

首選 Cognee（內建 users / tenants / roles + 每 dataset 獨立 DB）或 Zep Cloud（SOC 2 Type II、HIPAA、account → projects 層級）。Graphiti 開源版的 group_id 也行，但隔離邏輯由應用端負責。

避免只靠 Mem0 的 key 慣例或 LlamaIndex 的 session_id——這些在多租戶場景下太薄。

場景三：Coding agent plugin（給 Claude Code / Cursor / Codex 加記憶）

需求：本機執行、檔案式記憶、與 MCP 整合。

首選 OpenViking（viking:// 虛擬檔案系統，支援 Claude Code / Cursor）或 Mem0 OpenMemory MCP（hosted）。Letta Code（v0.31.0）也支援但定位不同——它是完整的 agent runtime，不只是記憶外掛。

本系列 order 7：OpenViking 有完整拆解。

場景四：自建 agent 平台（需要完整記憶管理）

需求：短期 + 長期記憶、跨 agent 共享、記憶生命週期管理。

如果已在 LangChain 生態：LangGraph checkpointer + Store 是最自然的選擇，不用額外 infra。

如果不在 LangChain 生態：Letta 提供最完整的記憶生命週期（blocks + archival + recall + git-backed + Dreaming），但學習曲線最陡。

如果需要時間推理：Graphiti 的 bi-temporal 設計是獨一無二的——其他框架的「遺忘」是刪除或覆蓋，Graphiti 是標記失效並保留歷史。

不必自建向量/圖記憶層

2026 年的一個反直覺趨勢：大廠（OpenAI、Anthropic、Letta、LangChain）不約而同選擇 Markdown 檔案 + 索引 + progressive disclosure 作為記憶的承載形式（詳見本系列 order 9：2026 記憶系統往哪走）。向量/圖記憶沒有消失，但退居「可插拔後端」。如果你的場景不需要時間推理或複雜的知識圖，檔案 + 索引可能就夠了。

接下來兩篇分別拆解光譜兩端的代表方案——Mem0（向量抽取派） 和 OpenViking（檔案系統派）。

參考資料

• Mem0 官方文件
• Mem0 GitHub
• Mem0 ECAI 2025 論文
• Mem0 OSS v2→v3 遷移文件
• Graphiti GitHub
• Zep 官方文件
• Graphiti 論文
• Letta GitHub
• MemGPT 論文
• Letta 部落格：Next Phase
• LangGraph Persistence 官方文件
• LangChain — Memory for agents
• LangChain — Context engineering for agents
• LlamaIndex GitHub
• Cognee GitHub
• Supermemory GitHub
• Hindsight 論文
• EverMemOS 論文
• MemOS 論文
• MemoryAgentBench 論文
• Anthropic — Harness design for long-running apps
• 站內：Mem0 完整介紹
• 站內：OpenViking 介紹
• 站內：Zep 介紹
• 站內：Letta 介紹
• 站內：Cognee 介紹
• 站內：Agent Memory 系統：從 RAG 到 Read-Write 記憶的演化