Direction Search: Agent Memory

Agent Memory 赛道已有明确王者 — mem0（49K 星）占据绝对领先，但「第二代记忆」技术（自主学习、知识图谱、记忆 OS）正在从三个维度同时发起挑战。六条赛道、三代技术并行展开。

值得关注

mem0ai/mem0

Universal Memory Layer for AI Agents — 为 AI Agent 提供统一的记忆层，支持个性化、多用户、跨 session 长期记忆。

Stars	48,936 [估算，5000 条 API 上限]
增长形态	mature（峰值在 188 天前）
语言	Python
创建	2024-04-16
生态	Chrome 扩展 (657★)、MCP Server (653★)、多平台集成

为什么值得关注 — 这是 Agent Memory 赛道无可争议的王者 — 49K 星，是第二名 cognee（13K）的近 4 倍。mem0 验证了一个关键假设：开发者需要一个「开箱即用的记忆层」，而不是自己搭建复杂的 RAG 管线。已有完整生态（Chrome 扩展、MCP 集成、企业版）。但增长已进入成熟期，说明第一代市场已经饱和。

范式信号 — mem0 的成功说明 Agent Memory 的第一代需求是「简单可用的通用记忆层」。但这也意味着 mem0 的护城河是「早期采纳 + 生态」而非技术深度。第二代项目如果在技术维度（自主学习、知识图谱）证明显著优势，有可能实现范式替代 — 这是 cognee、hindsight 等项目的赌注。

vectorize-io/hindsight

Agent Memory That Learns — 记忆系统不只是存取，会从交互中自主学习和进化。

Stars	2,409 [精确]
30d 增长	+1,133 [精确]
7d 增长	+544 [精确]
加速度	2.06x（7d 日均 / 30d 日均）[精确]
增长形态	sustained + accelerating（连续增长 83 天）
语言	Python

为什么值得关注 — 增长最快的第二代记忆项目。与 mem0 的「被动存取」不同，hindsight 让记忆系统主动从交互中提炼知识。这是从「数据库」到「认知引擎」的范式跃迁。在 mem0 已占据通用记忆市场的情况下，hindsight 的机会在于证明「主动学习的记忆」能带来显著不同的 agent 表现。

范式信号 — Agent Memory 正在分化为两条路线：被动记忆（存取优化，mem0）和主动记忆（自主学习，hindsight）。如果主动记忆路线成立，记忆层将从「检索基础设施」升级为「认知基础设施」，成为 Agent 智能的第二引擎。

topoteretes/cognee

Knowledge Engine for AI Agent Memory in 6 lines of code — 基于知识图谱的 Agent 记忆引擎。

Stars	13,013 [精确]
30d 增长	平稳 [估算，5000 条 API 上限]
增长形态	mature（峰值在 272 天前）
语言	Python
创建	2023-08-16

为什么值得关注 — 知识图谱路线的代表，赛道星数第二（13K）。与 mem0 的扁平存取不同，cognee 把记忆结构化为可推理的知识网络。「6 lines of code」的 DX 做得好。增长已平稳，说明知识图谱路线在技术上被验证，但还没有在市场上挑战 mem0 的地位。

范式信号 — cognee 验证了一个假设：agent 的记忆不应该是扁平的向量，而应该是结构化的知识图谱。如果图谱是正确答案，那纯向量检索的 memory 方案（包括 mem0 的基础版）可能会被降维打击。但知识图谱的复杂性也是其短板 — 谁先解决「开箱即用 + 图谱深度」的矛盾，谁就赢。

竞争格局

1. Memory Platform — 通用记忆平台

2. Memory Engine — 独立记忆引擎

3. MCP Memory Server — 记忆即服务

4. Database-Native Memory — 数据库厂商入场

5. Coding Agent Memory — 编码场景专用

6. Research / Benchmark — 学术实现

范式判断

Repo	Stars	路线	增长
mem0ai/mem0	48,936	通用记忆层	成熟期
memvid/memvid	13,278	替代 RAG 管线（Rust）	成熟期
MemoriLabs/Memori	12,314	SQL 原生记忆层	成熟期
MemTensor/MemOS	6,225	记忆操作系统	+125/30d
CaviraOSS/OpenMemory	3,532	开放记忆平台	+112/7d
EverMind-AI/EverMemOS	2,403	记忆 OS	早期

Repo	Stars	路线	增长
topoteretes/cognee	13,013	知识图谱	平稳期
vectorize-io/hindsight	2,409	自主学习型	+544/7d
kayba-ai/agentic-context-engine	1,951	Agentic 上下文引擎	早期
trustgraph-ai/trustgraph	1,340	上下文图谱	+22/7d
agiresearch/A-mem	873	Agentic Memory (NeurIPS)	研究驱动
general-agentic-memory	822	Deep-research 驱动	研究驱动
caspianmoon/memoripy	683	Python 记忆库	平稳

Repo	Stars	特点
coleam00/mcp-mem0	653	Mem0 集成，MCP 模板
AVIDS2/memorix	166	跨 Agent 记忆桥接
petabridge/memorizer	151	向量搜索 MCP
pinkpixel-dev/mem0-mcp	87	Mem0 MCP 集成
agentic-tools-mcp	80	任务 + 记忆 MCP
claude-memory-mcp	59	Claude 持久记忆

Repo	Stars	后端
microsoft/kernel-memory	2,138	Microsoft（.NET 生态）
oceanbase/powermem	481	OceanBase（阿里系）
elizaOS/agentmemory	231	ChromaDB / Postgres
redis/agent-memory-server	193	Redis（官方）
neo4j-labs/agent-memory	45	Neo4j（官方 Labs）

Repo	Stars	特点
cass_memory_system	267	跨 Agent 过程性记忆
total-recall	112	5 层观察式记忆
claude-code-vector-memory	30	Claude Code 语义记忆
git-context-controller	25	Git 式记忆操作

Repo	Stars	论文/方法
agiresearch/A-mem	873	NeurIPS 2025 A-MEM
MemoryAgentBench	244	记忆 Agent 基准测试
HaluMem	112	记忆幻觉评估基准
epro-memory	66	6 分类 + L0/L1/L2 分层
xMemory	56	Beyond RAG（2026.02 Arxiv）
microsoft/Mnemis	46	层级图谱双路检索

Agent Memory 已进入「王者 + 挑战者」格局。

mem0（49K 星）以绝对领先占据第一代市场，但三股力量正在同时挑战：

1. 知识图谱派（cognee 13K）— 结构化推理 vs. 扁平检索
2. 主动学习派（hindsight 2.4K, accelerating）— 记忆系统从被动存取变为自主进化
3. 记忆 OS 派（MemOS 6.2K, Memori 12.3K, EverMemOS）— 把记忆层从 SDK 升级为操作系统

过去 18 个月的三代演进：
1. 对话历史（2024）— 简单的 message list，window 截断
2. 通用记忆层（2025）— mem0 验证的「开箱即用」路线，向量存取 + 用户画像
3. 认知记忆（2026）— 知识图谱、自主学习、多层分类、跨 agent 共享

关键结构信号：数据库厂商（Redis、Neo4j、OceanBase、Microsoft）集体入场，加上 MCP 协议让 Memory 成为标准化服务，记忆层正在从 framework 附属品变成独立基础设施品类。

受威胁的：仍在用简单 vector store 做记忆的 agent framework。
不受威胁的：底层的 LLM 推理层 — memory 做得再好，还是需要 LLM 来使用这些记忆。

下一个战场：跨 agent 记忆共享（memorix、cass）、记忆可信度验证（HaluMem、MemoryAgentBench）、Memory OS 标准化（谁定义 agent 的记忆接口）。

建议深挖

Generated by GitHub Radar v0.1.0 · 2026-03-06 · 93 repos scanned (keyword + topic supplement), 8 keywords, 48 high-relevance, 6 sub-categories

Repo	建议
mem0ai/mem0	Mode 4 深度分析 — 赛道绝对王者（49K 星），看 contributor 结构、企业采纳、护城河
mem0 vs cognee	Mode 4 对比分析 — 通用记忆层 vs 知识图谱，两种路线的技术深度和市场表现对比
vectorize-io/hindsight	Mode 4 深度分析 — 增长最快的第二代项目，看技术路线和颠覆 mem0 的可能性
memvid/memvid	Mode 3 信号监控 — 13K 星 Rust 实现，「替代 RAG」定位值得关注