69 lines
7.3 KiB
Markdown
69 lines
7.3 KiB
Markdown
---
|
||
title: "I Went Through Every AI Memory Tool I Could Find. There Are Two Camps."
|
||
type: source
|
||
tags: [ai-agent, memory, context-management, tooling]
|
||
sources: []
|
||
last_updated: 2026-04-23
|
||
---
|
||
|
||
## Source File
|
||
- [[Agent/AI-Memory-Tools-Two-Camps]]
|
||
|
||
## Summary（用中文描述）
|
||
- 核心主题：AI 记忆工具的全景分类——揭示该领域存在两个根本不同的技术路线
|
||
- 问题域：AI Agent 的持久化上下文问题——如何让 Agent 跨会话保持记忆
|
||
- 方法/机制：Camp 1（记忆后端）通过向量提取+检索解决事实召回；Camp 2（上下文基质）通过文件累积+背景整合实现上下文复合增长
|
||
- 结论/价值：提出了"记忆"与"上下文"不是同一问题的核心洞察；预测 6 个月内"context engineering"将取代"memory"成为主流术语；ALIVE 是作者实际运行的上下文基质方案
|
||
|
||
## Key Claims（用中文描述）
|
||
- Camp 1 与 Camp 2 是两个根本不同的技术范式，而非同一问题的不同实现
|
||
- Camp 1 工具优化目标是**召回**：能否找到正确的事实
|
||
- Camp 2 工具优化目标是**复合**：系统是否随时间变得更好
|
||
- Zep 将品牌定位从"memory"重塑为"context engineering"是市场上最强的信号，表明 Camp 2 路线正在成为主流
|
||
- GitHub 上 450+ repos 标记"agent-memory"、460+ 标记"context-management"，但几乎无人明确区分这两种范式
|
||
- 持续运行的 24/7 Agent 场景下，只有 Camp 2 架构才能真正实现跨会话复合增长
|
||
|
||
## Key Quotes
|
||
> "there are 450+ repos tagged 'agent-memory' on github and 460+ tagged 'context-management.' me and my agentic best friends went through them." — @witcheer，揭示该领域分类混乱的现状
|
||
> "the line from their docs that defines the philosophy: 'the model only remembers what gets saved to disk, there is no hidden state.'" — OpenClaw 定义了 Camp 2 的核心哲学
|
||
> "a funded company with 4.4k stars looked at where the space was going and decided 'memory' was the wrong word for what they were building." — Zep 的品牌重塑是市场信号
|
||
> "within 6 months, 'context engineering' replaces 'memory' as the default term for what serious agent infrastructure does." — 作者的核心预测
|
||
> "if you're building agents that need to run for more than one conversation, you're going to end up here." — Camp 2 是长期运行 Agent 的必然归宿
|
||
|
||
## Key Concepts
|
||
- [[Memory Backend]]：从对话中提取事实，存入向量数据库，检索时召回。代表工具：Mem0、MemPalace、Supermemory、Honcho、Cognee。核心问题：记忆是扁平条目，无关系；提取质量依赖 LLM prompt；事实不进化
|
||
- [[Context Substrate]]：维护结构化、人类可读的上下文文件，跨会话累积。代表工具：OpenClaw、Zep、Thoth、TrustGraph、MemSearch、ALIVE。核心哲学："nothing gets extracted — the context is the files"
|
||
- [[Fact Recall]] vs [[Compounding]]：Camp 1 优化召回精度，Camp 2 优化复合增长；前者问"AI 应该记住什么"，后者问"AI 应该在什么样的上下文中工作"
|
||
- [[Dreaming Cycle]]：OpenClaw 的背景整合过程——light sleep（分组）→ REM（频繁访问提升）→ deep sleep（写入长期记忆），六维评分机制（相关性0.30、频率0.24、查询多样性0.15、时效性0.15、整合度0.10、概念丰富度0.06）
|
||
- [[Temporal Knowledge Graph]]：Zep 的 Graphiti 框架使用带 valid_at/invalid_at 时间戳的知识图谱，自动提取关系，返回预格式化上下文块，<200ms 检索
|
||
- [[Context Core]]：TrustGraph 引入的可移植、带版本控制的上下文捆绑包（领域schema+知识图谱+向量嵌入+证据来源+检索策略），将上下文视为第一公民制品
|
||
- [[Context Engineering]]：作者预测将取代"memory"成为描述 Agent 基础设施的标准术语
|
||
|
||
## Key Entities
|
||
- [[Mem0]]：53.1k stars，Camp 1 类别领导者，四操作（add/search/update/delete），三层存储（user/session/agent），混合检索，集成简单但记忆为扁平条目，无关系推理
|
||
- [[MemPalace]]：46.2k stars，本地优先逐字记忆，用 ChromaDB 组织为 wings（实体）/rooms（主题）/drawers（原内容），LongMemEval 96.6% 召回率但线性增长无压缩
|
||
- [[Supermemory]]：21.8k stars，差异化是时序感知（"I moved to SF"自动取代旧城市），expired facts 自动遗忘，MemoryBench 声称第一，多模态连接器（Google Drive/Gmail/Notion/GitHub）
|
||
- [[Honcho]]：2.4k stars，将人/Agent 视为统一模型中的"对等体"，异步推理服务推导心理洞察，PostgreSQL + pgvector，AGPL-3.0
|
||
- [[OpenClaw]]：358k stars，plain markdown 文件（Mmemory.md + daily notes + DREAMS.md），无向量数据库，dreaming 三阶段整合，Camp 2 典型代表
|
||
- [[Zep]]：4.4k stars，从"memory"重塑品牌为"context engineering"，Graphiti 时序知识图谱，SOC2 Type 2 + HIPAA 合规，<200ms 检索，架构上处于两 Camp 边界
|
||
- [[Thoth]]：145 stars，最深层架构，10 实体类型 + 67 有向关系类型 + FAISS + 图扩展检索，四阶段夜间 dream cycle，三层反污染机制防止跨实体事实混淆
|
||
- [[TrustGraph]]：2.0k stars，Context Cores 可移植版本化上下文容器，treats context like code，Cassandra + Qdrant 基础设施
|
||
- [[MemSearch]]：1.2k stars，Zilliz 团队出品，Markdown 文件为唯一真相，Milvus 为下游"阴影索引"，三层层级渐进披露（语义块→完整章节→原始记录）
|
||
- [[ALIVE]]：作者实际运行的方案，structured context substrate，file-native，agent-agnostic，walnuts 作为可移植上下文容器，零基础设施依赖，运行在 Hermes Agent + Claude Code + Mac Mini M4 上
|
||
|
||
## Connections
|
||
- [[RAG]] ← related_to ← [[Memory Backend]]：两者共享向量检索的基本机制，但 RAG 通常指一次性问答场景，Memory Backend 指跨会话累积
|
||
- [[OpenClaw]] ← implements ← [[Context Substrate]]：OpenClaw 的 Markdown 文件架构是 Context Substrate 范式的典型实现
|
||
- [[Semantic-Memory-Search]] ← extends ← [[OpenClaw]]：MemSearch 为 OpenClaw 的 Markdown 记忆提供语义搜索能力
|
||
- [[Memory Backend]] ← evolves_into ← [[Context Substrate]]：Supermemory 的时序感知和 Honcho 的心理建模代表了 Camp 1 向 Camp 2 的演进趋势
|
||
- [[Second Brain]] ← uses ← [[Context Substrate]]：[[Second Brain]] 基于 OpenClaw 的累积记忆能力，本质上是 Context Substrate 范式在个人知识管理中的应用
|
||
- [[养龙虾5天血泪史]] ← experiences ← [[OpenClaw]]：实战中暴露了 OpenClaw 记忆压缩和检索的痛点，推动了对 Context Substrate 架构的深入理解
|
||
- [[Context Substrate]] ← enables ← [[Self-Improving-Skill]]：Self-Improving 的复盘机制（[[养虾日记2]]）是 Context Substrate 中背景整合思想的实践
|
||
|
||
## Contradictions
|
||
- 与 [[semantic-memory-search]] 可能存在张力：
|
||
- 冲突点：MemSearch（Camp 2）将向量索引视为文件的下游"阴影索引"，可随时重建；[[semantic-memory-search]] 则将向量搜索作为记忆检索的核心能力
|
||
- 当前观点：向量索引是可选的访问加速层，Markdown 文件才是唯一真相
|
||
- 对方观点：向量语义搜索是必要的，单纯的关键词/Markdown 文件无法高效处理"我上周讨论的那个关于 X 的内容"
|
||
- 注：两者其实互补——MemSearch 本身也使用混合搜索，但强调文件优先而非索引优先
|