AI Agent的LLM记忆方案选哪个？
对GitHub上AI Agent记忆相关热门项目的分析，包括mem0、MemPalace等，比较其架构、优缺点及冲突解决策略。
近日，一篇深入分析GitHub上AI Agent记忆项目的文章引起了广泛关注。该文章指出，在GitHub上标记为“memory”的6187+个公共仓库中，前十大项目有八个是AI Agent记忆项目，这一类别在两年前几乎不存在，如今却主导了讨论。
这些项目可以分为嵌入式/本地优先（如MemPalace、memvid、agentmemory）和客户端-服务器/云端（如mem0、supermemory、OpenViking、hindsight）两类。少数项目如supermemory和mem0则完全拥抱云原生架构。
项目详解：
- mem0 (⭐57.3k)：通用AI Agent记忆层，拥有多级记忆（用户/会话/Agent）、图记忆支持、多信号检索（语义、BM25、实体）以及与30多种向量存储的集成。它是该领域资金最充足的项目，获得Y Combinator支持并融资2400万美元。其基准测试成绩优异：LoCoMo 91.6、LongMemEval 94.8、BEAM 64.1。采用仅添加（ADD-only）算法，避免原地更新的复杂性。但需要外部LLM（默认OpenAI），自托管设置复杂（需要Docker、PostgreSQL、Neo4j）。
- MemPalace (⭐53.2k)：本地优先的AI记忆系统，灵感来自古典记忆术——位置记忆法。它逐字存储内容（从不总结或压缩），通过语义搜索检索。内置知识图谱（含时间有效性）、AAAK压缩索引和29个工具的MCP服务器。基准测试表现惊人：原始R@5 96.6%，混合检索98.4%，结合LLM重排序超过99%。完全本地运行，无需API密钥。但处于Beta阶段，依赖ChromaDB可能存在稳定性问题。
- Understand-Anything (⭐47.8k)：AI编码助手的插件，将代码库转化为交互式知识图谱。采用多Agent管道，结合Tree-sitter（确定性结构分析）和LLM语义增强。严格来说并非记忆系统，而是代码理解工具。需要Node.js 22+、pnpm 10+，语义层依赖LLM增加了延迟和成本。
- TiDB (⭐40.1k)：云原生分布式SQL数据库，兼容MySQL，支持ACID事务、HTAP、基于HNSW的向量搜索和数据库分支，专为AI Agent设计。可统一服务于所有四层Agent记忆（短期、情景、程序、语义）。优势在于MySQL兼容性、横向扩展、AI原生特性。但分布式系统复杂度高，向量搜索仍处于Beta阶段。
- OpenViking (⭐25k)：开源上下文数据库，采用文件系统范式（viking:// URI）分层组织记忆、资源和技能。其层级上下文加载系统（L0/L1/L2）旨在提高token效率。可实现高达91%的token减少，精度提升3.39倍，检索延迟低于0.2秒。但版本极早（v0.3.x），设置复杂，采用限制性AGPL-3.0许可。
跨项目分析显示，冲突解决策略多样：mem0采用仅添加+检索时排名；MemPalace使用时间戳和余弦相似度去重；TiDB依赖Raft共识和MVCC；Understand-Anything在确定层无冲突，语义层覆盖旧结果。推荐选择取决于具体需求：如需高性能基准和生态系统，选mem0；若重视隐私和本地控制，选MemPalace；若需结构化代码理解，选Understand-Anything；若需要统一数据库解决方案，选TiDB。