Memobase
Memory 功能
- 基于用户档案的长期记忆 ：专注于用户特定的知识管理，处理用户档案、记忆事件和演化的上下文
- 个性化交互 ：避免重复对话历史，高效处理用户特定知识，节省 token 成本
- 存储即服务 ：采用批处理和存储层方法，优先考虑用户中心性
RAG 功能
- Memory 是 RAG 的子集 ：严格来说，记忆是检索增强生成（RAG）的一个子集
- 不同目的 ：虽然都涉及检索相关信息并将其纳入 AI 生成的提示中，但它们在 AI 应用中服务于不同的目的
- 超越传统 RAG ：专门设计用于处理个性化、长期的用户记忆，而不是通用的文档检索
Mastra
Memory 功能
Mastra 支持三种互补的记忆系统，旨在提供更加流畅和个性化的交互体验。这三种记忆系统分别为：
-
工作记忆 (Working Memory)
-
功能：用于记住用户的特定信息，如姓名、年龄和个人偏好等。
-
特点：
- 可以跨不同的对话线程保持持久性。
- 通过资源范围配置实现数据的长期保存。
-
-
对话历史 (Conversation History)
-
功能：负责存储用户与系统之间的交流记录。
-
特点：
- 维护的是当前会话或线程内的上下文信息。
- 有助于理解即时对话背景，并据此做出更准确的响应。
-
-
语义回忆 (Semantic Recall)
-
功能：利用检索增强生成（RAG, Retrieval-Augmented Generation）技术来提升理解和生成能力。
-
特点：
- 将过往的聊天内容存入向量数据库中。
- 当接收到新查询时，根据其与已存信息之间的语义相似度进行匹配并调用相关消息。
-
RAG 功能
- 完整的 RAG 管道 ：处理文档分块、生成嵌入、存储到向量数据库、查询时检索相关上下文
- 多种向量存储支持 ：支持 pgvector、Pinecone、Qdrant、MongoDB 等
- 高级 RAG 技术 ：支持 ReAG（推理增强生成）、Graph RAG 等技术
- 可观测性 ：包含 AI 追踪和评分功能来优化检索管道
主要区别总结
| 特性 | Memobase | Mastra |
|---|---|---|
| 定位 | 专注于用户档案的长期记忆服务 | 全栈AI代理框架 |
| Memory类型 | 用户特定的个性化记忆 | 工作记忆 + 对话历史 + 语义回忆 |
| RAG方法 | Memory作为RAG的特化子集 | 传统RAG + 高级技术（ReAG、Graph RAG） |
| 存储策略 | 批处理、存储即服务层 | 多种存储适配器支持 |
| 成本优化 | 专门优化token使用和成本 | 通过配置优化性能和成本 |
| 应用场景 | 聱天机器人、伴侣、导师、客服 | 全栈AI应用开发 |
| 技术栈 | 专门的记忆服务 | TypeScript优先的框架 |
值得注意的是，Mastra 的基准测试显示，使用 RAG 进行代理记忆的准确率达到 80%，证明了 RAG 在长期代理记忆中的有效性。
总的来说，Memobase 更专注于个性化的长期用户记忆管理，而 Mastra 提供了一个更全面的 AI 代理开发框架，其中包含了多种记忆和 RAG 功能
