mem0、Letta、claude-mem还是memsearch7大AI Agent记忆方案深度横评与选型建议【免费下载链接】memsearchA persistent, unified memory layer for all your AI agents (e.g. Claude Code, Codex, DSH), backed by Markdown and Milvus.项目地址: https://gitcode.com/gh_mirrors/mem/memsearchAI Agent 记忆是构建可靠编码助手的核心能力但市面上的记忆方案令人眼花缭乱mem0、LettaMemGPT、claude-mem、qmd、MemPalace以及以 Markdown Milvus 为底座、覆盖 5 大编码 Agent 的 memsearch。本文横评这7 大 AI Agent 记忆方案从存储架构、检索质量、本地优先和扩展性四个维度逐项拆解最后给出一张可直接对号入座的选型清单帮你在 5 分钟内选对 Agent 记忆方案。一、AI Agent 记忆到底要解决什么问题每个 Agent 会话结束都是一次失忆调试过的 Redis 问题、定过的架构决策、踩过的部署坑下次开新会话全部归零。记忆方案要同时满足三个矛盾需求持久化—— 记忆跨会话、跨工具存活可检索—— 关键时刻精准召回而不是把整个上下文塞进窗口低成本—— 默认不依赖付费 API不产生厂商锁定。正是这三点决定了 7 个方案的设计分野。二、7 大方案速览各自定位一览方案形态一句话定位memsearch记忆引擎 5 大 Agent 插件跨平台统一记忆层Markdown 为源、Milvus 加速mem0库 原生插件 MCP面向通用 LLM 应用的事实型记忆中间件Letta (MemGPT)Agent 运行时让 Agent 自我管理记忆的完整运行时claude-memClaude Code / Gemini CLI 插件LLM 压缩对话记录的轻量插件Claude Code 原生记忆内置功能CLAUDE.md 自动记忆零配置的基线qmd本地搜索引擎 MCP纯本地 GGUF 模型的 Markdown 混合搜索MemPalaceClaude Code 插件 MCP基于 ChromaDB 的原始对话记忆库三、关键指标对比一张表看懂差异维度memsearchmem0Lettaclaude-mem原生记忆qmdMemPalace可信数据源纯.md文件向量库(图)Postgres/MemFSSQLiteChromaCLAUDE.mdSQLiteChromaChromaDB记忆可 git 版本管理✅❌✅❌✅❌❌混合检索BM25稠密向量✅❌❌✅❌无检索整文件加载✅❌数据库内 RRF 融合排序✅❌❌❌❌❌❌渐进式三层召回✅❌❌❌❌❌❌默认零 API Key 本地运行✅❌❌✅✅✅✅本地→自托管→云 一条升级路径✅❌❌❌❌❌❌支持平台数5 个编码 Agent通用通用3 个仅 Claude Code1 个1 个数据来源docs/home/comparison.md。可以清晰看到三个分界线数据放哪Markdown vs 数据库、怎么找混合检索 vs 单一路径、默认成本本地免费 vs 每次写入都要调 LLM。四、逐个方案深度解析1️⃣ mem0事实抽取型记忆中间件mem0 的写入路径是LLM 先抽取事实再决定 add/update/delete。优点是记忆自动精炼适合把记忆嵌进任意 LLM 应用不限于编码场景代价是每次写入都依赖 LLM API且 LLM 可能悄悄改写过去的记忆。2️⃣ LettaMemGPT让 Agent 自己管记忆Letta 是一个完整的 Agent 运行时Agent 通过工具自主编辑自己的记忆MemFS并提供自有 CLI。如果你要的不是给现有 Agent 加记忆而是整套 Agent 运行时Letta 是唯一选项但学习成本和替换成本也最高。3️⃣ claude-mem轻量对话压缩插件每轮对话由 LLM 压缩后写入 SQLite ChromaDB检索走 Chroma 向量 FTS5。适合只使用 Claude Code / Gemini CLI 的单人用户但数据锁在数据库里无法直接审阅和 diff。4️⃣ Claude Code 原生记忆零配置基线CLAUDE.md 自动记忆简单可靠但没有任何检索——整个文件每次会话全量加载进上下文。记忆量小、以项目约定为主时够用记忆一多就会挤占上下文窗口。5️⃣ qmd纯本地 Markdown 搜索BM25 稠密向量 LLM 重排默认本地 GGUF 模型是只要一个本地 Markdown 搜索引擎的最佳选择但止步于单机不提供 Agent 插件生态。6️⃣ MemPalaceChromaDB 对话记忆库原始对话直接入库 ChromaDB仅稠密检索。定位与 claude-mem 类似但数据不透明、无扩展路径。7️⃣ memsearchMarkdown Milvus 的跨平台记忆层memsearch 的核心主张是Markdown 是真相Milvus 只是影子索引详见 docs/design-philosophy.md人类可读可 git—— 记忆就是.memsearch/memory/*.md文件可 diff、可回滚、可换工具向量库损坏一条memsearch index全量重建零厂商锁定混合检索 库内 RRF—— 稠密向量语义 BM25错误码、配置值等精确词在 Milvus 内用 RRF 融合召回质量优于单一路径三层渐进召回—— L1 搜索摘要 → L2 展开整节 → L3 下钻原始对话简单问题只花摘要的代价一个记忆五个 Agent—— Claude Code、Codex、DeepSeek Harness、OpenClaw、OpenCode 共用同一份记忆在 A 里的对话在 B 里直接可搜插件目录见 plugins/默认全本地—— ONNX bge-m3 本地嵌入无需 API KeyMilvus Lite 单文件起步改一个 URI 即可升级到自托管或托管云从记忆中提炼技能—— 重复执行的工作流会被蒸馏为可安装的 Agent 技能程序性记忆见 docs/home/skills-from-memory.md。核心引擎入口是 MemSearch 类插件全部跑在同一个 CLI / Python API 之上。五、实测数据检索质量到底差多少项目在 955 个记忆块、4344 条中英双语查询上做了重排对比evaluation/reranking-evaluation.md基线 Recall5 为 0.7471接入 Voyage rerank-3 后提升到0.8187NDCG10 从 0.6728 提升到0.7755多跳复杂查询提升最明显。重排是可选项、默认关闭——基础混合检索BM25 稠密 RRF已经开箱即用想进一步压榨头部精度再开启即可。六、选型建议对号入座清单你的场景推荐方案理由只用 Claude Code记忆基本是项目约定原生 CLAUDE.md零配置够用多 Agent / 多编码 CLI要跨平台共享记忆memsearch唯一覆盖 5 大平台Markdown 可审阅把记忆做进自研 LLM 应用mem0事实抽取 可插拔向量库想让 LLM 主动策展/管理记忆或要整套 Agent 运行时Letta完整运行时 MemFS只想要一个本地 Markdown 语义搜索qmd纯本地无依赖重度使用 Gemini CLI / 需要压缩式轻量插件claude-mem接入简单一句话总结一个记忆服务所有 Agent、数据永远在 Markdown 里选 memsearch通用应用级记忆中间件选 mem0整套 Agent 大脑选 Letta。七、memsearch 三步上手# 1. 安装默认本地 ONNX 嵌入无需 API Key uv tool install memsearch[onnx] # 2. 索引你的 Markdown 记忆 memsearch index ./memory/ # 3. 混合检索BM25 向量 RRF memsearch search Redis 缓存 TTL 当时怎么定的常用 Agent 用户装对应插件即可全自动捕获与召回各平台步骤见 docs/home/for-users.md开发者可直接用 Python API 或 CLI 自建记忆层。完整上手路径参考 docs/getting-started.md架构细节见 docs/architecture.md。八、总结选 AI Agent 记忆方案本质是在回答三个问题数据归谁、检索多准、成本多少。mem0 赢在通用性Letta 赢在完整度而 memsearch 用Markdown 真相 Milvus 影子索引 混合检索 跨平台插件的组合把可审阅、可重建、跨 Agent 共享这三件多数方案做不到的事一次性给到了你——如果你的记忆值得被版本管理它值得成为默认选项。【免费下载链接】memsearchA persistent, unified memory layer for all your AI agents (e.g. Claude Code, Codex, DSH), backed by Markdown and Milvus.项目地址: https://gitcode.com/gh_mirrors/mem/memsearch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考