agentmemory 深度解读：AI 编程 Agent 的长期记忆，到底是真突破还是数字游戏？

> 你先给我说清楚一件事——如果一个 AI 帮你写代码，但它每次见面都像第一次认识你，这是你想要的东西吗？

我花了几天搞清楚这个叫 agentmemory 的项目。创始人 Rohit 说它能让 AI 编程助手拥有长期记忆。GitHub 上 3400 颗星星，两个月做出来的。官网上的数字很漂亮：95.2% 的检索准确率，成本只要一年 10 美元。

但我看了足够多的所谓「突破性技术」之后，学到了一个道理：数字漂亮不说明问题。问题是你能不能用一个六年级学生听得懂的话告诉我，这东西到底在干什么。

所以咱们从头来。

---

一、问题本身：AI 为什么需要长期记忆？

想象你有一个编程搭档。他能力很强，但每次你找他，他都像完全忘了上次你们讨论过什么。你们昨天花了三小时调通的 bug，今天他问：「什么 bug？」你花了半小时解释架构决策，下次他说：「哦，你怎么不早说？」

这就是现在的 AI 编程助手——比如 Cursor、Copilot、Claude Code——的真实状态。它们没有记忆。或者说，它们的记忆只有当前这一次对话的上下文窗口。

Karpathy（前特斯拉 AI 主管、OpenAI 创始成员）在今年四月写了一个笔记，用一句话概括了这个问题：

> Stop re-deriving, start compiling. > > （别每次都重新推导，开始编译吧。）

他的意思是：现在的 AI 每次遇到你，都要从零开始「理解」你——你的代码风格、项目结构、偏好设置。这就像每次考试都重新推导一遍微积分基本定理。为什么不做一本笔记？一本「维基百科」，让 AI 翻开就能用。

这就是 agentmemory 想解决的问题。不是让 AI 更聪明，而是让 AI 记得住。

---

二、agentmemory 怎么解决这个问题？

Rohit 的做法分几个层次。让我从最底层往上说。

1. 自动记录：12 个「钩子」

Rohit 说，过去的记忆系统都要求你手动告诉它「记住这个」。你得一帧一帧地标记：「记住我讨厌 TypeScript」「记住这个 API 的返回格式」。

这有问题。费曼会说：如果一件事需要人不停地做，那它最终会被忘记。 人不是机器，人会偷懒。

所以 agentmemory 做了 12 个「自动捕获钩子」——本质上就是埋点。你在终端里敲命令、调用工具、编辑文件，它全给你记下来。不需要你说「记住」，它自己就记。

这听起来简单，但仔细想想：这意味着你不需要改变任何习惯。继续正常干活，记忆在后台悄悄积累。

2. 检索：三种方式同时找

记录只是第一步。关键是怎么找回来。

想象你的大脑。你突然想起一件事的时候，有时候是因为一个关键词触发的（「我记得有个叫 Docker 的东西」），有时候是因为一个模糊的概念（「我记得有个解决类似问题的办法」），有时候是因为一个具体的关联（「那次开会张三提过这件事」）。

agentmemory 模仿了这个。它用三种方式同时检索：

BM25 — 关键词匹配，像搜索引擎
向量检索 — 语义相似，找「意思接近但词不一样」的内容
知识图谱 — 找实体之间的关系，比如「这个文件和那个 bug 有关联」

然后三种结果混合排序（RRF 融合），挑出最好的给你。

3. 记忆分层：像人脑一样整理

这是我觉得最有意思的设计。agentmemory 把记忆分成四层：

工作记忆 — 当下的事，比如刚才那条命令
情景记忆 — 过去发生的事，比如「上周三我们修复了那个 bug」
语义记忆 — 抽象的知识，比如「项目用 React，不是 Vue」
程序记忆 — 自动化的习惯，比如「用户总是先写测试再写代码」

灵感来自人脑在睡眠时的记忆巩固过程。白天杂乱的信息，晚上大脑会整理归档。agentmemory 也做了类似的自动整理——把零散的片段提炼成更持久的知识。

4. 底层：iii Engine

agentmemory 不是基于 Express.js + SQLite 这种常见组合。它用了一个叫 iii engine 的运行时——新的， Rohit 自己写的。51 个 MCP 工具，873 个测试，还带一个实时查看器（3113 端口），能回放你的 session。

这是个赌注。要么 iii engine 成为下一代基础设施，要么 agentmemory 被锁死在一个没人维护的运行时上。

---

三、数字里的水分：95.2% 是真的吗？

好了，架构听起来不错。但咱们得聊聊那些数字。

官网上有个对比表：

系统	准确率
agentmemory	95.2%
mem0	81.4%
Letta	73.8%

很漂亮对吧？但费曼会问：这些数字是在什么条件下测的？是同样的题目、同样的评判标准吗？

让我把我知道的摊开来说。

问题 1：基准测试是什么？

agentmemory 声称在 LongMemEval-S（ICLR 2025，500 道题）上达到 95.2% 的 R@5 和 98.6% 的 R@10。

但 LongMemEval-S 这个基准本身有约 5% 的标签噪声——也就是说，有些题目的「正确答案」可能本身就是错的。这意味着 95% 已经接近理论上限。

问题 2：apples-to-apples？

那个对比表把 agentmemory 的 95.2% 和 mem0 的 81.4% 放在一起。但问题是——这 81.4% 是 mem0 在哪个版本、哪个配置下的结果？

Mem0 在 2026 年 4 月发布了新算法，成绩是：

LoCoMo：91.6%
LongMemEval：93.4%
BEAM(1M)：64.1%

看到了吗？Mem0 的新算法在 LongMemEval 上是 93.4%，不是 81.4%。那个 81.4% 可能是旧版本、旧配置、或者完全不同的基准。

这就像说「我的车比你的车快」，但没说是在高速公路上还是赛车场上比的。

问题 3：检索 token 的「92% 减少」

agentmemory 声称一年只需要约 170K 输入 token，而「完整上下文粘贴」需要 1950 万+ token——减少了 92%。

但费曼会问：谁真的会每次把完整上下文都粘贴进去？

这是一个稻草人论证。没有人会真的「粘贴全部上下文」。所有系统都在做某种形式的截断或摘要。agentmemory 的真正对比对象应该是其他记忆系统的 token 消耗，而不是一个没人会用的极端方案。

问题 4：不同论文对同一个系统给出 wildly different 的数字

这是我觉得最说明问题的事实。

Mem0 在 LoCoMo 上的报告成绩：

某论文 A：66.9%
某论文 B：68.4%
Mem0 自己旧算法：71.4%
Mem0 自己新算法：91.6%

同一个系统，同一个基准，数字从 66% 跳到 91%。Mem0 的博客自己也说：「分数有 ±1 的置信区间，因为评判标准不一致。」

这说明什么？说明这些基准测试本身就不够稳定，拿着这种不稳定的尺子量出来的「95.2%」需要打问号。

问题 5：嵌入模型

agentmemory 用的是 all-MiniLM-L6-v2——一个本地运行的轻量级模型，免费。这很好，成本低。但这也意味着它的 embedding 质量不如那些用 GPT-4 或 Claude 做 embedding 的系统。

方向是对的（本地、免费、够用），但这也意味着数字上的优势有一部分来自「我用便宜的工具打出了相近的效果」，而不是「我的架构天生就更优越」。

---

四、和替代品比，它到底强在哪？

好，数字有水分。但这不代表 agentmemory 没价值。让我把竞品摊开对比。

mem0：51.8K 星，老牌选手

mem0 是目前最成熟的记忆系统。但它有一个本质不同：它要求你显式调用 add()。

也就是说，你得在代码里写：mem0.add("用户说他不想要弹窗提醒")。

费曼会说：如果一件事需要人额外做一步，人就会忘。 agentmemory 的自动捕获在这一点上确实更优。

但 mem0 的新算法已经追上来了。93.4% vs 95.2%，差距已经很小。mem0 有庞大的社区、更多的资源、更成熟的生态。

Letta：全功能 Agent 运行时

Letta 不只是记忆，它是一个完整的 agent 框架。但代价是锁定效应——你一旦用 Letta，你的整个应用架构都要围绕它来。

内置方案（CLAUDE.md）

Claude 的 CLAUDE.md 文件只能存 200 行，而且所有内容都会塞进上下文。简单粗暴，但有效范围有限。

agentmemory 的真正优势

不是那 14 个百分点的数字差距。而是：

1. 零配置自动捕获 — 你不用改代码，不用调用 API，正常干活就行 2. Karpathy 的哲学 — 从「每次都重新推导」到「编译一次，持续复用」 3. 人脑启发的架构 — 三层检索 + 四层记忆，有真实的设计思考在里面

---

五、iii Engine：赌注还是锁链？

agentmemory 建立在 iii engine 之上——一个全新的运行时。不是 Node.js，不是 Django，是 Rohit 自己造的东西。

这让我想起费曼在挑战者号调查中看到的东西。NASA 管理层的报告说失败概率是 1/100,000。工程师私下说其实是 1/100。管理层相信了他们想相信的数字。

iii engine 的问题是：如果 Rohit 停止维护它，或者社区没有跟进，agentmemory 怎么办？

这是个真实的 lock-in 风险。但换个角度，Express.js + SQLite + pm2 + Prometheus 这个组合本身也在老化。iii engine 可能是面向未来的 bet，也可能是 premature optimization。

我现在不确定。唯一确定的是：一个两个月大的项目，用一个全新的运行时，需要时间来证明它的可靠性。

---

六、增长速度

2 月底创建，现在 3400 星。对于一个两个月大的项目来说，这个增长速度是真实的社区兴趣，不是刷出来的。

但星星不等于质量。很多好项目没星，很多烂项目一堆星。星星只是说明「有人觉得有意思」，不能说明「这东西真的好用」。

---

七、最终判断：hype 还是 substance？

费曼会说：我能直接验证的东西，我才信。

让我把话说清楚。

agentmemory 的架构是有 substance 的。

12 个自动捕获钩子解决了「人不会记得手动标记」的真实问题
三重检索（BM25 + 向量 + 知识图谱）是合理的工程决策
四层记忆巩固有认知科学的支撑，不是拍脑袋想的
一年 10 美元的成本让个人开发者也能负担

但那些 benchmark 数字是有水分的。

对比表里的 mem0 81.4% 可能不是最新数据
「92% token 减少」是和一个稻草人方案对比的
基准测试本身的不稳定性让任何「95.2%」的精确声明都站不住脚
Mem0 的新算法已经把差距缩小到了几乎可以忽略的程度

真正的价值不在数字上。

agentmemory 的价值在于它把 Karpathy 的哲学变成了可运行的代码：

> 别每次都重新认识你。把你对我的了解编译下来，下次直接加载。

这是方向性的正确。不管 agentmemory 最后能不能赢，这个方向是对的。

---

八、一个费曼会问的问题

让我用费曼的方式结束。

如果你把这个项目所有的 benchmark 数字、所有的对比表、所有的「95.2%」都删掉——只剩代码和架构文档——它还有价值吗？

我的答案是：有。自动捕获 + 三重检索 + 分层记忆，这三件事本身是有设计深度的。

但如果只剩下数字和营销文案，没有那些架构设计呢？

那就是货物崇拜。竹子做的控制塔，椰子壳做的耳机。形式全对，但飞机不会来。

agentmemory 不是货物崇拜。它有真实的设计。但那些漂亮的数字——95.2%、98.6%、92% 减少——你可以打个折扣再看。

真正重要的不是它比别人强多少分。真正重要的是：它让 AI 助手第一次有了「记得住」的能力，而且不需要你额外做任何事。

That's the way it is.

---

*参考来源：agentmemory.dev, Karpathy gist (Apr 2026), Mem0 blog (Apr 2026), LongMemEval (ICLR 2025), LoCoMo benchmark*

#agentmemory #AI #长期记忆 #费曼视角 #深度解读 #记忆系统 #benchmark #技术批判