八个主流Agent记忆系统的详细对比梳理
我们整理了ContextDB、Memora、MemForest、RMM、MPR、A-MEM、HyMem将对这些项目进行比对，包括核心思想、关键创新、性能数据、适用场景和开源地址等维度。
一、总览对比表
| 项目 | 出处 | 核心思想 | 关键创新 | 性能数据 | 开源地址 | 对14B适配度 |
|---|---|---|---|---|---|---|
| ContextDB | Zenodo 2026 | 统一记忆操作系统 | RL训练的Memory Manager，多图表示 | Token节省90%，P95延迟<100ms | Apache 2.0 | ⭐⭐⭐⭐⭐ |
| Memora | Microsoft/ICML 2026 | 谐波记忆表示 | 存储与检索解耦 | Token节省98%，LoCoMo/LongMemEval SOTA | github.com/microsoft/Memora | ⭐⭐⭐⭐⭐ |
| MemForest | arXiv 2026 | 分层时序索引 | MemTree树状索引，并行块提取 | 79.8% pass@1，吞吐量6倍于SOTA | 未明确 | ⭐⭐⭐⭐ |
| Engram | arXiv 2026 | 双时态知识图谱 | 无效化而非删除，混合检索 | 83.6% vs 73.2%（全量），8倍Token节省 | github.com/ly-wang19/engram | ⭐⭐⭐⭐⭐ |
| RMM | ACL 2025 | 前瞻+回溯双通道反思 | 前瞻反思+在线RL优化检索 | LongMemEval提升>10% | 未明确 | ⭐⭐⭐ |
| MPR | arXiv 2025 | 元策略记忆（谓词规则） | 软约束+硬约束双机制 | 无需模型权重更新 | 未明确 | ⭐⭐⭐⭐⭐ |
| A-MEM | NeurIPS 2025 | Zettelkasten卡片盒法 | 记忆主动建立链接，动态演化 | 超越现有SOTA | github.com/agiresearch/A-mem | ⭐⭐⭐⭐ |
| HyMem | ICML 2026 | 认知经济 + 双层检索 | 简单查询走轻量，复杂走深度 | 计算成本降低92.6% | 未明确 | ⭐⭐⭐⭐⭐ |
二、各方案详细解读
1. ContextDB：统一记忆操作系统
核心问题：当前每个Agent团队都在拼凑同一套脆弱补丁——向量库存Embedding、Redis存会话状态、PostgreSQL存用户画像、再加一堆胶水代码。
三大统一：
- 三种记忆形式：Token级（原始文本）、参数化（模型权重）、隐式（推理轨迹）
- 三种记忆功能：事实性（世界知识）、经验性（交互历史）、工作性（当前上下文）
- 三个动态过程：形成（Formation）、演化（Evolution）、检索（Retrieval）
关键创新：
- 多图记忆表示：将语义、时序、因果、实体四个维度解耦，支持查询自适应检索
- RL训练的Memory Manager：仅需150个训练样本，学会最优记忆操作（ADD/UPDATE/DELETE/NOOP）
- Segment-Level压缩管道：“压缩即去噪”策略，检索精度提升最高18%
- 多Agent记忆共享协议：带冲突解决和角色感知路由
落地指标：P95召回延迟<100ms，Token节省最高90%
对14B的价值：Memory Manager是RL训练的轻量级模型，不依赖大LLM做决策。记忆形成的压缩管道可离线运行，14B只需在检索阶段参与。
开源状态：Apache 2.0
2. Memora：谐波记忆表示（微软/ICML 2026）
核心问题：现有记忆系统被迫在特异性（保留细节） 和抽象性（高效组织） 之间做取舍。
核心洞察：把“存什么”和“怎么查”解耦。
- Rich Memory Content（丰富记忆内容） ：存完整的、带细节的记忆
- Lightweight Abstractions（轻量抽象） ：为每条记忆生成轻量级摘要和线索锚点（Cue Anchors）
- 检索时：先查轻量抽象定位相关记忆，再按需加载具体内容
性能数据：LoCoMo和LongMemEval新SOTA，超越Mem0、RAG和全量上下文推理，Token消耗减少高达98%
对14B的价值：“存细节+查抽象”模式，记忆提炼可用更重的模型离线做一次，而在线检索只需要轻量匹配——14B只负责“查”，不负责“提炼”。
开源地址：https://github.com/microsoft/Memora
3. MemForest：分层时序索引
核心问题：现有系统受限于粗粒度的状态管理和顺序化的更新管道——每次更新都要重写整个状态，延迟随记忆积累不断增长。
关键创新：
- 并行块提取（Parallel Chunk Extraction） ：打破顺序瓶颈，记忆构建变成并发独立操作
- MemTree分层时序索引：把记忆组织成时间有序的树，而非扁平的全局摘要。用局部化的逐节点更新替代全量重写，维护成本降到只影响受影响的树路径
性能数据：LongMemEval-S上79.8% pass@1准确率，记忆构建吞吐量比EverMemOS等SOTA方法高约6倍
对14B的价值：树状索引意味着记忆更新是局部的、增量的，不需要每次都用LLM重做全局摘要。离线构建一次树结构，在线只做增量插入和局部更新。
4. Engram：双时态记忆引擎
核心问题：大多数记忆系统在成本/延迟上赢了，但在准确率上仍然输给全量上下文基线。
架构设计：
- 快速写入路径：无损追加情节，LLM不在关键路径上
- 异步提取路径：提取原子事实（主语-谓语-宾语），构建双时态知识图谱，用无效化（Invalidating）而非删除解决冲突——每个事实都保留来源和取代链
- 混合读取路径：融合稠密向量、词法、图谱、时效性/显著性多路信号，加上时间点（As-of）过滤器，组装紧凑的带来源标签的上下文
性能数据：LongMemEval_S上，用约9.6k Token的检索切片（而非79k全量历史）得分83.6% vs 73.2%（全量上下文），高出10.4个百分点，Token节省约8倍
对14B的价值：“双时态图谱+混合检索”完全不依赖LLM做实时提炼——提取事实是异步的，检索是传统索引+向量混合。14B只需要消费最终组装好的上下文。
开源地址：https://github.com/ly-wang19/engram
5. RMM：前瞻+回溯双通道反思（ACL 2025）
核心问题：现有反思机制是事后（Retrospective） 的——出了问题才反思。RMM增加前瞻（Prospective） 通道。
双通道设计：
- 前瞻反思（Prospective Reflection） ：动态跨粒度（话语→轮次→会话）总结交互，构建个性化记忆库供未来检索
- 回溯反思（Retrospective Reflection） ：基于LLM引用的证据，以在线强化学习方式迭代优化检索
性能数据：LongMemEval上比无记忆管理基线提升超10%准确率
对14B的价值：前瞻反思可以离线批量做（用现有缓存数据），回溯反思的RL优化可以慢慢迭代。14B只需在检索时配合。
开源状态：未明确（论文已发表于ACL 2025）
6. MPR：元策略反思（arXiv 2025）
核心问题：Reflexion等反思策略产生的反思是临时的、任务特定的，不能在任务间复用。
核心机制：
- 把LLM生成的反思转化为结构化的、谓词式的元策略记忆（Meta-Policy Memory, MPM） ，带置信度权重
- 在线维护和更新这个记忆
双机制应用：
- 软约束（Soft Memory-Guided Decoding） ：通过Prompt注入规则引导生成
- 硬约束（Hard Rule Admissibility Checks, HAC） ：执行前强制检查，阻止不安全或无效动作
核心价值：
- 不需要模型权重更新
- 强制领域约束，减少不安全动作
- 保留语言反思的适应性
对14B的价值：MPM是结构化数据（谓词形式），不需要LLM反复推理。14B只需在执行前做硬约束检查（纯代码逻辑），在执行中接受软约束引导（Prompt注入）。把反思结果变成可执行规则，而不是每次重新反思。
开源状态：未明确
7. A-MEM：Zettelkasten式记忆网络（NeurIPS 2025）
核心问题：当前记忆系统的操作和结构是固定的，无法跨任务自适应。
核心思想：借鉴德国社会学家Niklas Luhmann的Zettelkasten卡片盒笔记法。
工作机制：
- 新记忆加入时，生成包含上下文描述、关键词、标签的结构化笔记
- 系统主动分析历史记忆，识别相关连接，建立有意义的链接
- 记忆演化：新记忆的加入可以触发对旧记忆的上下文表示和属性的更新
性能数据：在六个基础模型上超越现有SOTA基线
对14B的价值：记忆链接和演化可以离线批量进行。14B只需在检索时遍历图结构。
开源地址：
- 评估代码：https://github.com/WujiangXu/AgenticMemory
- 系统代码：https://github.com/agiresearch/A-mem
8. HyMem：混合记忆架构（ICML 2026）
核心问题：现有方法在效率和效果之间存在根本性权衡——记忆压缩会丢失关键细节，保留原始文本又带来不必要的计算开销。
核心思想：受认知经济（Cognitive Economy） 原则启发。
双粒度存储 + 动态双层检索：
- 轻量模块：构建摘要级上下文，用于高效响应生成
- LLM深度模块：仅对复杂查询选择性激活，配合反思机制做迭代推理精化
性能数据：超越全量上下文，同时降低92.6%计算成本
对14B的价值：核心理念是**“简单查询走轻量路径，复杂查询才动用LLM”** 。大部分查询根本不需要14B做深度推理，直接用摘要级上下文就能响应。
开源状态：未明确
三、综合对比：各维度排名
| 维度 | 第1名 | 第2名 | 第3名 |
|---|---|---|---|
| Token节省效率 | Memora（98%） | HyMem（92.6%） | ContextDB（90%） |
| 检索精度 | Engram（83.6% vs 73.2%） | MemForest（79.8%） | ContextDB（+18%提升） |
| 写入效率 | MemForest（6倍于SOTA） | Engram（LLM不在关键路径） | ContextDB（RL Manager） |
| 对14B友好度 | MPR（纯规则，无LLM依赖） | Engram（异步提取） | HyMem（简单查询不走LLM） |
| 记忆演化能力 | A-MEM（主动链接+更新） | ContextDB（三动态过程） | Memora（抽象+细节双轨） |
| 开源可用性 | ContextDB（Apache 2.0） | Memora（GitHub） | A-MEM（双GitHub） |
小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用
更多推荐
3
0- 0
已为社区贡献7条内容
所有评论(0)