agent 长期记忆框架调研：mem0、MemPalace、MemOS 怎么存、怎么忘、怎么召回

2026 年 7 月，我们通读了三个开源 agent 记忆框架的源码：mem0、MemPalace、MemOS。结论以代码为准，README 和论文只作参考。三个项目恰好落在记忆设计光谱的三个位置。

总览

	mem0	MemPalace	MemOS
一句话	LLM 单次抽取事实写入向量库，只增不改	原文逐字存储加空间化索引，零 LLM	LLM 抽取，图数据库组织，后台调度器
记忆本体	自包含事实短文（15 到 80 词）	800 字符原文块，不摘要不改写	第三人称记忆条目加图上摘要父节点
写入 LLM 调用	1 次	0 次（LLM 全部可选）	fine 模式一次写入可达十几次
冲突	不解决，矛盾并存	原文层不解决，时态知识图谱层 supersede	LLM 三分类加融合归档
遗忘	无（衰减是付费平台功能）	原文永不删，只衰减联想连接强度	无衰减，分区容量满后 FIFO 淘汰
检索	语义、BM25、实体加成三信号加和	向量与 BM25 混排，壁橱只加分不门控	图、向量、BM25、全文四路并发加 rerank

mem0：从「LLM 裁决更新」退回「只增不改」

网上流传的 mem0 设计是两次 LLM 调用：先抽取事实，再裁决 ADD/UPDATE/DELETE/NONE，外加 Neo4j 图记忆。这是旧版。2025 年末到 2026 年的 v2 到 v3 改版之后，当前开源版只做单次抽取、只增不改，图库支持整体移除。官方给出的数据是 LoCoMo 从 71.4 提到 91.6，延迟减半。他们用真实数据否定了自己最著名的设计。

写入管线只有一次 LLM 调用，智能集中在一个约 470 行的抽取 prompt 里。几条关键指令值得记下：

• 记忆要上下文丰富而非原子化。坏例是「User has a dog」，好例是「User has a dog named Poppy and their morning walks are the highlight of their day」。
• 状态变迁必须带前态，例如「从杏仁奶换成燕麦奶」。
• 相对时间必须按观察日期换算成绝对日期。「上周去了巴黎」在六个月后没有意义。
• 专有名词和数量严禁泛化。「aerial yoga」不许写成「yoga」。
• 抽材料的内容，而不是「用户分享了材料」这个动作。
• 穷尽检查：10 条以上消息应产出 5 到 15 条记忆，少于 3 条要重读。

写入前会把候选旧记忆的 UUID 映射成 0、1 这样的整数 ID 再喂给 LLM，防止幻觉。去重只有 MD5 精确哈希，且只覆盖检索窗口内的前 10 条。删掉图库后，mem0 用 spaCy 规则抽实体，维护实体到记忆的反向索引，算是一个没有类型化关系边的「穷人版图记忆」。

检索不调 LLM。语义分、BM25 分、实体加成三者相加，其中实体加成按链接数惩罚泛化实体：similarity × 0.5 × 1/(1+0.001(n-1)²)。

遗忘方面开源版什么都没有：无 TTL、无衰减、无访问频次，只有一个按日期粒度的过期字段。decay、timestamp、summary 是付费平台专属。矛盾的新旧记忆并存，需要修正时只能手动调 update 或 delete。

MemPalace：原文永存，智能放在检索端

MemPalace 2026 年 4 月创建，三个半月拿到 57.5k stars，是当前最热的本地记忆项目。它走反抽取路线。最小存储单元是 800 字符的逐字原文块（100 字符重叠），代码注释写着「No summaries. Ever.」。

隐喻是记忆宫殿：翼楼对应一个人或项目，房间是主题分区，抽屉是原文块，壁橱是派生的指针索引，每行形如「主题|实体|日期:行号→抽屉 ID」，由纯正则生成。运行时还有四层注入栈：L0 身份文件约 100 token 永远加载，L1 十五条要点约 800 token，L2 按翼楼和房间拉取，L3 全量语义搜索。

写入不调 LLM：归一化、按段落边界切块、关键词计分路由、正则抽实体、正则生成壁橱指针。ID 是内容的 sha256，天然幂等；嵌入模型身份写入集合元数据，防止换模型污染向量空间。因为写入是确定性管道，换嵌入模型或改切块策略都能全量重建，这是抽取式路线做不到的。它的 LongMemEval R@5 达到 96.6%，纯本地零 LLM。

检索原则是「壁橱是排名信号，永远不是门控」：抽屉向量检索为地板，壁橱命中按名次加分，再用查询词在原文里 grep 挑最佳块并拼上前后邻居，最后 BM25 0.4 加向量 0.6 混合重排。

遗忘只作用于联想连接层。原文永不删，衰减的是连接强度：Hebbian 共访增强、Ebbinghaus 指数衰减、Cepeda 间隔效应，直接引用三篇心理学文献。冲突在时态知识图谱层处理：三元组带 valid_from 和 valid_to，可以 supersede 关旧开新。这层用本地 SQLite 实现，不依赖云端图数据库。

局限在启发式天花板：房间路由、壁橱正则、记忆标记几乎全是英文；L1 的 importance 字段从未被填充，「要点」实际退化为最近 15 条；连接层的衰减尚未反哺主检索排序。

MemOS：论文最宏大，代码最重

MemOS 自称「记忆操作系统」。论文里的三类记忆，实现程度差异很大：明文记忆完整实现，是全部工程重心；KV-cache 激活记忆只在本地 HF 推理下真正省算力，默认关闭；参数记忆是纯占位，dump 出来的是一个 Placeholder 字节串。论文里的 MemLifecycle、MemGovernance、MemVault 模块在代码中不存在，只出现在自我介绍的 prompt 文案里。

最值得借鉴的是 fast/fine 双速写入。fast 模式不调 LLM，整窗原文先落库保低延迟；之后由后台调度器补做精抽取，回收临时节点。fine 模式的抽取 prompt 与 mem0 思路接近：用户视角、相对时间转绝对日期、区分事件时间与消息时间、完整性优先于简洁性。

组织方式是图。后台线程对每个节点找 embedding 近邻，LLM 判定 contradictory/redundant/independent 三类，再由 LLM 融合出新节点，原节点归档。融合失败会直接删旧节点，这是有损的。

WorkingMemory 是它最独特的部分：图中一个容量 20 条的分区，由后台调度器根据意图识别主动换入换出。遗忘等于容量 FIFO：WorkingMemory 20、LongTerm 1500、User 480，超 80% 按时间淘汰。

代价是强 LLM 依赖。抽取、冲突检测、融合、聚类、意图识别、rerank 过滤全是 LLM，fine 模式一次写入或检索十几次调用，没有预算控制。部署也重，主推路径依赖 Neo4j 企业版或 PolarDB。

三条路线的本质分歧

写入期智能还是检索期智能。mem0 把智能压进写入期的一个巨型 prompt。MemPalace 把智能全部推到检索期，写入是可无限重放的确定性管道。MemOS 两头都上 LLM，上限最高，成本和脆弱性也最高。

冲突有三种答案。mem0 放弃，矛盾并存推给读端。MemPalace 分层，原文层保真，事实层显式失效。MemOS 用 LLM 仲裁，最完整但每次都花钱。

遗忘没有人真正做到。三家都没有基于重要性或置信度的语义遗忘。这是记忆系统中最不成熟的环节。

三家不约而同收敛的点：

1. 相对时间必须在写入期锚定为绝对日期。
2. 纯向量不够，都补了词法通道和实体信号。
3. 整数 ID 映射防幻觉，解析失败兜底整段落库。
4. 溯源指回原始证据。
5. 图数据库在退潮。mem0 删了 Neo4j 支持，MemPalace 用 SQLite 做时态图，只有 MemOS 还重仓图库。

createrole 怎么用这些结论

createrole 数字员工的记忆不是聊天记录。每回合的材料先沉淀下来，凌晨统一固化成六类页面：教训、大事记、人物、认识、经验、自我。召回分层：每回合注入几条带日期的一行钩子，需要时展开整页，再往下翻日记。员工另外维护自己的记事文件，关于自我、关系、教训，每份不超过 1500 字，每回合全文注入；夜间复盘会重写关系和教训两份。遗忘是有意为之：大多数日常材料在固化时被跳过，不成页。

对照三家，我们的路线介于 mem0 的平铺事实与 MemOS 的图组织之间，而「对话是源头证据，派生物随删重派生」与 MemPalace 的原文层和事实层分离同构。可以直接搬的是 mem0 抽取 prompt 的时间锚定、反泛化、状态变迁带前态，以及泛化实体的降权公式；MemPalace 的确定性幂等写入是派生物重建的好参照。要避开的坑也清楚：只增不改必须配读端冲突消解；LLM 调用要有预算；容量 FIFO 不是遗忘；纯启发式在中文场景天花板极低。