登顶三大AI记忆基准：SuperMemory 革命性记忆引擎技术架构全解析

你的AI每轮对话都从零开始。SuperMemory 用五层架构和一个核心洞察——"记忆不是RAG"——解决了这个问题。它同时登顶 LongMemEval、LoCoMo 和 ConvoMem 三大基准，85.4% 的准确率让 Mem0 的 49% 相形见绌。更反直觉的是，它的核心引擎并非传统知识图谱，而是一种"vector-graph"混合结构，加上一个叫"dynamic dreaming"的机制。一位19岁的创始人，从开源"second brain"起步，拿到 ＄29M 融资，正在定义AI基础设施的下一个 Layer。

发布时间: 2026-06-05
来源: SuperMemory AI / Dhravya Shah, 2024-2026
核心论文/博客: https://supermemory.ai/blog/ 系列技术文章
GitHub: https://github.com/supermemoryai/supermemory (21.7K stars)
融资: \(29M (Seed +\)26M)

1. 问题：为什么LLM没有记忆？

每次你打开 ChatGPT，它都不记得昨天聊过什么。这不是 bug，是架构限制——LLM 是 stateless 的，每个 API call 都是独立请求。

业界的临时解决方案：

• 向量数据库：把对话存成 embedding，检索相似内容。快，但蠢——它不知道"我昨天说我是素食者"已经覆盖"我爱牛排"。
• 对话历史压缩：把前几轮对话塞进 prompt。简单，但长对话后 token 爆炸，且无法跨会话。
• 手动 RAG：自己搭一套检索+重排+注入 pipeline。能工作，但维护成本高，且没有个性化。

SuperMemory 的洞察：记忆不是检索。记忆是理解。

2. 五层架构：一个API解决整个 context stack

SuperMemory 把 Connectors、Extractors、Retrieval、Memory Graph、User Profiles 打包成一个 API。不需要自己拼 5-7 个服务。

┌─────────────────────────────────────┐
│  Your App / AI Agent                │
└──────────────┬──────────────────────┘
               │ single API call
┌──────────────▼──────────────────────┐
│          SuperMemory                │
│  ┌──────────────────────────────┐   │
│  │ 01 · Connectors              │   │
│  │ Google Drive, Gmail, Notion,   │   │
│  │ GitHub, Slack, S3, Webhook   │   │
│  └──────────────────────────────┘   │
│  ┌──────────────────────────────┐   │
│  │ 02 · Extractors              │   │
│  │ PDFs, OCR, Video Transcription│   │
│  │ Code (AST-aware chunking)     │   │
│  └──────────────────────────────┘   │
│  ┌──────────────────────────────┐   │
│  │ 03 · Super-RAG               │   │
│  │ Hybrid search (vector+keyword) │ │
│  │ Context-aware reranking        │   │
│  └──────────────────────────────┘   │
│  ┌──────────────────────────────┐   │
│  │ 04 · Memory Graph              │   │
│  │ Vector-graph engine            │   │
│  │ Ontology-aware edges           │   │
│  │ Contradiction resolution       │   │
│  │ Temporal tracking              │   │
│  └──────────────────────────────┘   │
│  ┌──────────────────────────────┐   │
│  │ 05 · User Profiles             │   │
│  │ Static facts (always true)     │   │
│  │ Dynamic context (episodic)     │   │
│  └──────────────────────────────┘   │
└─────────────────────────────────────┘

2.1 Layer 1: Connectors — 数据自动流入

SuperMemory 不是从零开始构建记忆，而是从你已经有的数据开始：

• Google Drive / OneDrive — 文档自动同步
• Gmail — 邮件线程提取
• Notion — 笔记结构化
• GitHub — 代码仓库、issue、PR 上下文
• Slack — 团队对话
• S3 — 任意文件存储
• Web Crawler — 实时网页抓取

关键设计：实时 webhooks。不是批量导入，是数据一变，记忆就更新。这对于"客户信息变了""项目状态更新了"这类场景至关重要。

2.2 Layer 2: Extractors — 多模态内容理解

不只是文本。SuperMemory 处理：

• PDFs — 结构化提取，保留表格和层级
• Images — OCR + 视觉理解
• Videos — 语音转文字 + 时间戳
• Code — AST-aware chunking，不是按行切割，而是按函数/类/模块切割，保留语义边界

这个设计让 agent 能"读"你公司的设计文档、"看"产品截图、"听"会议录音，全部变成可检索的记忆。

2.3 Layer 3: Super-RAG — 混合检索

传统的 RAG 只有一种策略：向量相似度。SuperMemory 的检索是混合的：

1. 向量搜索 — 语义相似度，捕获"同义不同词"
2. 关键词搜索 (BM25) — 精确匹配，捕获专有名词和术语
3. 图遍历 — 沿着关系找关联记忆
4. 上下文感知重排 — 不是按相似度排序，而是按"对当前问题的相关性"排序

结果：sub-300ms 的端到端检索时间，包括混合搜索和重排。

对比：

• Zep: ~4 秒
• Mem0: 7-8 秒
• 自搭 RAG pipeline: 450ms+（还不包含 embedding 和重排的网络延迟）

2.4 Layer 4: Memory Graph — 核心技术突破

这是 SuperMemory 区别于所有竞品的核心。

传统知识图谱：(entity, relation, entity) 三元组。"Alex works at Google" → (Alex, works_at, Google)。问题是：查询慢，更新难，规模大了之后遍历成本高。

SuperMemory 的 vector-graph：不是传统图。它是：

• 每个记忆是一个节点（带向量 embedding）
• 关系是 "ontology-aware edges" — 边本身携带语义类型：updates, extends, derives, contradicts
• 所有关系围绕一个中心实体：用户自己

Memory 1: "Alex works at Google as a software engineer"
Memory 2: "Alex just started at Stripe as a PM"
         ↓
Memory 2 [UPDATES] Memory 1

Memory 3: "Alex is a PM at Stripe"
Memory 4: "Alex frequently discusses payment APIs and fraud detection"
         ↓
Derived: "Alex likely works on Stripe's core payments product"

关键操作：

• Updates: 新信息覆盖旧信息（住址变更、职位变更）
• Extends: 新信息补充旧信息（"Alex 会 Python" + "Alex 也学 Rust"）
• Derives: 从多个事实推断出新结论（sleep-time compute）
• Contradicts: 标记矛盾，触发解决机制

Dynamic Dreaming：这是 SuperMemory 的"睡眠时计算"机制。当系统空闲时，它在后台运行：

1. 扫描记忆中的模式
2. 生成派生事实（如上面的"Alex 可能在支付团队"）
3. 检查过期信息并标记遗忘
4. 合并冗余记忆

这与人类睡眠时记忆巩固的过程类似——不是被动存储，是主动整理。

Temporal Tracking：每个记忆带时间戳。系统知道：

• 这个信息是什么时候获得的
• 它是否被后续信息覆盖
• 它的置信度随时间如何衰减

这就解决了"素食者 vs 牛排"问题——向量搜索会返回两者，但图遍历知道时间线，只返回最新的。

2.5 Layer 5: User Profiles — RAM 层

这是 SuperMemory 最被低估的设计。

传统记忆系统：你问什么，它检索什么。
SuperMemory：即使你说"你好"，它也知道你是谁、你在忙什么、你的偏好。

User Profile 分为两层：

STATIC CONTEXT（静态事实，长期有效）
- Name: Dhravya
- Location: San Francisco
- Role: Founder & CEO of Supermemory
- Interests: AI infrastructure, developer tools

DYNAMIC CONTEXT（动态情境，近期更新）
- Currently working on: Customer Context Graph
- Actively optimizing: Claude inference cost
- Recent preference change: Adidas → Puma
- Mood: stressed about infra costs

一个 API call，~50ms，返回 profile + 相关记忆。不需要先搜索，不需要知道问什么。这就像给 agent 装了一个"默认上下文"，永远新鲜。

3. Benchmark：三大基准全部登顶

LongMemEval 细分：

• Single-session: 92.3% — 同一次对话内的记忆提取
• Knowledge updates: 89.7% — 信息变更后的正确更新
• Temporal reasoning: 82.0% — 时间线推理（"先发生的 A，后发生的 B"）
• Multi-session: 76.7% — 跨会话记忆（竞争对手平均 57.9%）

关键洞察：multi-session 得分是真实能力的试金石。Single-session 容易（对话历史还在上下文里），multi-session 需要真正的持久化记忆。SuperMemory 在这个维度领先竞争对手 18.8 个百分点。

4. 技术细节：为什么它能这么快？

4.1 Cloudflare Workers + PostgreSQL/pgvector

SuperMemory 的基础设施选择很有讲究：

• Cloudflare Workers: 边缘部署，全球低延迟，自动扩缩容
• PostgreSQL + pgvector: 不是专用向量数据库，是关系数据库 + 向量扩展。这意味着：结构化查询 + 向量搜索可以在一个数据库里完成，不用跨服务
• Durable Objects: Cloudflare 的持久化状态抽象，适合有状态的记忆图

这解释了为什么能做到 sub-300ms：所有操作在一个堆栈内完成，没有网络跳转。

4.2 存储架构：一个统一结构

传统方案：向量 DB 存 embedding，图 DB 存关系，关系 DB 存元数据，三个系统之间同步。
SuperMemory："All of this is in our single memory structure and ontology."

一个统一的数据结构同时服务：

• 向量相似度搜索
• 图遍历
• 结构化查询（时间范围、实体类型、关系类型）
• 用户 profile 的快速读取

这减少了数据同步的复杂性，也消除了"三个系统数据不一致"的隐患。

4.3 自动遗忘机制

不是所有记忆都永久保留。SuperMemory 自动处理：

• 临时信息过期: "我明天有考试" → 考试日期过了，自动删除
• 信息过时: "我用 React" → 新记忆"我改用 Vue"生成后，旧标记为过期
• 噪声过滤: 闲聊中无事实内容，不进入长期记忆
• 置信度衰减: 长期未被引用的记忆，检索时权重降低

这不是简单的 TTL，是上下文感知的——系统知道什么信息在什么时间后失去相关性。

5. 开发者体验：一个 API 调用

5.1 添加记忆

import Supermemory from "supermemory";
const client = new Supermemory();

await client.add({
  content: "User loves TypeScript and prefers functional patterns",
  containerTag: "user_123",  // 项目/用户隔离
});

5.2 获取用户画像 + 相关记忆

const { profile, searchResults } = await client.profile({
  containerTag: "user_123",
  q: "What programming style does the user prefer?",
});

// profile.static  → ["Loves TypeScript", "Prefers functional patterns"]
// profile.dynamic → ["Working on API integration"]
// searchResults   → 相关文档和记忆

5.3 混合搜索（RAG + Memory）

const results = await client.search.memories({
  q: "how do I deploy?",
  containerTag: "user_123",
  searchMode: "hybrid",  // RAG + Memory 一起返回
});
// 返回：部署文档（RAG）+ 用户的部署偏好（Memory）

5.4 框架集成

// Vercel AI SDK
import { withSupermemory } from "@supermemory/tools/ai-sdk";
const model = withSupermemory(openai("gpt-4o"), { containerTag: "user_123" });

// LangChain, LangGraph, OpenAI Agents SDK, Mastra, Agno — 全部支持

5.5 MCP 协议支持

npx -y install-mcp@latest https://mcp.supermemory.ai/mcp --client claude

支持：Claude Desktop, Cursor, Windsurf, VS Code, Claude Code, OpenCode, OpenClaw。

MCP 提供三个工具：

• memory — 保存/遗忘信息
• recall — 搜索记忆
• context — 注入完整用户画像（在 Cursor/Claude Code 中打 /context）

6. 定价与商业模式

对比传统方案：

• 向量数据库（Pinecone/Weaviate）: \(50-500/月 - Embedding API（OpenAI）:\)0.10 / 1M tokens
• 重排服务: 额外 $0.02 / 1K queries
• 数据连接器: 自己开发
• Total: 3-5 个服务的费用 + 维护人力

SuperMemory 的定价策略是"整合溢价"——比单独购买每个服务贵一点，但省去了集成成本和维护成本。对于工程团队，这笔账通常是划算的。

7. 局限与争议

7.1 闭源

GitHub 仓库是 SDK + 前端 + 插件，核心引擎是闭源的。这与 Mem0（Apache 2.0）形成对比。对于需要数据驻留、气隙环境、合规审计的企业，这是一个考虑因素。

7.2 Benchmark 自评

85.4% 的 LongMemEval 分数是 vendor-reported。虽然有开放的 MemoryBench 框架供第三方验证，但生产环境中的表现可能与 benchmark 不同。

7.3 数据锁定

Connectors 自动从 Google Drive/Notion/Gmail 导入数据，但导出机制如何？如果决定迁移，数据迁移成本是关键。

7.4 多用户/团队场景

User Profiles 围绕"单个用户"设计。对于企业级团队记忆（"我们公司的架构决策"），多用户共享记忆的权限模型、冲突解决、版本控制，需要更深入的考察。

7.5 与 Hindsight 的对比

Hindsight（Vectorize 的产品）在 LongMemEval 上做到 91.4%，比 SuperMemory 更高。但 Hindsight 是"只做记忆"，不提供 RAG、Connectors、User Profiles。选择取决于：你需要一个完整的 context stack，还是一个专注的 memory layer？

8. 生态影响：记忆正在成为 AI 基础设施的独立 Layer

SuperMemory 的出现标志着一个趋势：记忆正在从"RAG 的一个功能"变成"独立的基础设施 Layer"。

类比：

• 2023: 向量数据库（Pinecone, Weaviate）是 RAG 的基础设施
• 2024: 嵌入式模型（OpenAI, Cohere）是检索的基础设施
• 2025: 记忆系统（SuperMemory, Mem0, Zep）是 Agent 的基础设施

这个 Layer 的独立化意味着：

1. Agent 架构标准化：记忆、推理、行动、工具调用成为独立模块
2. 数据价值重估：你的对话历史、文档、邮件，成为 AI 的"训练数据"
3. 隐私与合规新挑战：记忆系统知道得太多，GDPR/HIPAA 合规是入场券
4. 新的商业模式：不是按 token 收费，是按"记忆价值"收费

SuperMemory 的创始人 Dhravya Shah 只有 19 岁。他从开源"second brain"起步，先验证产品-market fit，再融资扩展。这种路径在 AI 基础设施领域越来越常见：先用开源社区建立标准，再用商业产品服务 enterprise。

9. 真正重要的问题

1. 记忆的边界在哪里？ SuperMemory 能记住你的一切，但"遗忘"是隐私的最后防线。自动遗忘机制是否能真正删除，还是只是标记为"不可检索"？

2. 多用户记忆的冲突解决：当团队共享记忆时，"我的事实"和"你的事实"冲突时，系统听谁的？

3. 记忆与推理的界限：SuperMemory 把记忆和 RAG 打包在一起，但"知道什么"和"怎么思考"是两个问题。记忆系统是否会过度承诺，让用户误以为 agent 真的能"理解"？

4. 开源 vs 闭源的长期博弈：Mem0 有 52.8K stars 和 Apache 2.0 许可证。SuperMemory 有更高的 benchmark 但闭源。企业会怎么选？

5. 成本曲线的可持续性：💲0.01 / 1K tokens 的定价，在 100B+ tokens/月的规模下，unit economics 是否成立？

10. 总结

SuperMemory 用五层架构（Connectors → Extractors → Super-RAG → Memory Graph → User Profiles）和一个核心洞察（"记忆不是 RAG"），同时登顶了 AI 记忆的三大基准。它的技术突破在于：

1. Vector-graph 混合结构：不是传统知识图谱，而是围绕用户中心实体的动态关系网络
2. Dynamic dreaming：后台推断和遗忘，类似人类睡眠记忆巩固
3. User Profiles as RAM：静态事实 + 动态情境，50ms 返回完整用户画像
4. Sub-300ms 混合检索：向量 + 关键词 + 图遍历 + 重排，在一个数据库内完成
5. 自动矛盾解决：知道"素食者"覆盖了"牛排爱好者"

关键数据：

• LongMemEval: 85.4%（#1），multi-session 76.7%（vs 竞争对手 57.9%）
• LoCoMo: #1
• ConvoMem: #1
• 延迟: sub-300ms（vs Zep ~4s, Mem0 7-8s）
• 规模: 100B+ tokens/月

局限：闭源引擎、vendor-reported benchmark、数据锁定风险、团队级记忆场景待验证。

SuperMemory 的更大意义是证明了 记忆可以成为 AI 基础设施的独立 Layer。当 Agent 需要"记住"而不是"检索"时，整个行业需要重新思考 context stack 的架构。这不是 RAG 的升级版，是下一代 AI 系统的必要组件。

参考资料

• SuperMemory Official: https://supermemory.ai
• GitHub: https://github.com/supermemoryai/supermemory
• Documentation: https://supermemory.ai/docs
• MemoryBench (open eval framework): https://github.com/supermemoryai/memorybench
• Dhravya Shah on architecture: https://supermemory.ai/blog/memory-engine/
• Context Memory Guide: https://supermemory.ai/blog/context-memory-guide-ai-systems/
• LongMemEval Benchmark: Wu et al. (2025), ICLR
• Mem0: https://github.com/mem0ai/mem0 (Apache 2.0)
• Hindsight: https://vectorize.io/hindsight (91.4% LongMemEval)
• Zep / Graphiti: https://getzep.com

本文由小凯基于 SuperMemory 公开技术文档、GitHub 仓库、benchmark 数据及第三方评测报告深度分析。核心发现：SuperMemory 通过 vector-graph 混合架构、dynamic dreaming 机制和用户画像 RAM 层，在三大 AI 记忆基准上全部登顶，证明了记忆系统正在从 RAG 的附属功能进化为独立的基础设施 Layer。

#SuperMemory #AI-memory #Agent-infrastructure #LongMemEval #context-engineering #vector-graph #dynamic-dreaming #MCP #小凯