2026 AI 记忆框架横评：Mem0 / Zep / LangMem / TiMem，选哪个？
最近在帮几个 AI 产品做技术选型，把目前主流的几个记忆框架都系统用了一遍，把踩过的坑整理成这篇文章。
先说结论：没有最好的，只有最适合你场景的。但每个框架的能力边界差很多，选错了后期迁移成本很高。
为什么 context window 不够用？
做 AI 应用的人最开始都会这么干：把历史对话直接塞进 prompt。这条路走得通，但走不远。
问题有三个：
第一，成本。 用户聊几百轮之后，每次调用 LLM 都要带几万 token 的历史。长期跑下来成本很可观。
第二，注意力衰减。 实验早就证明，模型在超长 context 下对早期内容的注意力会显著下降。你把三个月前的对话塞进去，模型基本不会认真处理。
第三，跨会话失效。 用户今天和你聊，明天又来，context 全没了，又要重新介绍自己。这个体验很糟糕。
这就是专门的记忆层要解决的问题。
四个框架，四种思路
Mem0：最流行，最容易上手
Mem0 是目前使用量最大的 AI 记忆方案。它的设计哲学很简单：把对话里的事实用 LLM 抽取出来，向量化存储，查询时按语义相似度返回。
接入代码五分钟能跑起来：
from mem0 import MemoryClient
client = MemoryClient(api_key="your_key")
# 存入记忆
client.add(
"用户叫李明，后端工程师，主要用 Go 和 Python",
user_id="alice"
)
# 检索记忆
results = client.search("用户的技术背景", user_id="alice")
for r in results["results"]:
print(r["memory"])
```
v1.0 之后还支持 memory export，API 也更新到了 v2，整体生态比较成熟。
但 Mem0 有一个根本性的局限：它是**扁平的**。所有记忆存在同一个层面，没有时序概念。你问它「用户上周说了什么」「这个月状态有什么变化」，它答不上来——因为它的索引完全基于语义相似度，不知道「什么时候」的概念。
**一句话**：简单场景够用，长期场景有天花板。
---
### Zep：图谱结构，时序感知更强
Zep 的思路不同。它把记忆组织成**情节图谱**，对话里的实体、关系、事件都变成图上的节点，并且每个节点带时间戳。
```python
from zep_cloud.client import Zep
client = Zep(api_key="your_key")
# 添加带时序信息的记忆
client.memory.add(
session_id="session_001",
messages=[
{"role": "user", "content": "我上个月从互联网换到了金融行业"}
]
)
# 查询（支持时序推理）
result = client.memory.search(
session_id="session_001",
text="用户最近的职业变化"
)
```
这个设计让 Zep 在时序类问题上明显好于 Mem0。「用户最近发生了什么变化」「什么时候提到过这件事」这类问题，Zep 能给出合理的答案。
在第三方 LoCoMo 基准评测中，Zep 拿到了 78.94%，比 Mem0 高出不少。
不过 Zep 也有局限：它没有自动的层级归纳能力。聊了三个月之后，所有的对话片段还是平铺在图上，不会自动总结出「用户这个季度的整体状态」或者「用户的性格画像」。
**一句话**：中等周期场景的好选择，时序感知明显好于 Mem0。
---
### LangMem：LangChain 生态的原生选择
如果你已经在用 LangChain 或者 LangGraph 搭 Agent，LangMem 是摩擦最低的选项。它把记忆分成两层：**工作记忆**（当前会话）和**长期存储**（跨会话），设计上和 LangGraph 的状态管理深度集成。
```python
from langmem import create_memory_manager
# 初始化记忆管理器
manager = create_memory_manager(model="openai/gpt-4o")
# 管理当前会话的记忆
await manager.ainvoke({"messages": conversation_history})
```
在第三方评测中 LangMem 拿到了 78.05%，表现不错。记忆管理的逻辑也比较透明，方便调试。
但问题很明显：如果你不用 LangChain，接入 LangMem 会带来很多不必要的依赖。而且它的长期记忆层本质上还是语义检索，时序能力有限。
**一句话**：LangChain 技术栈的首选，其他场景不值得专门迁移。
---
### TiMem：五层时序记忆树，长期场景综合最强
TiMem 是四个框架里设计最复杂、但在长期场景下效果最好的一个。
它来自论文《TiMem: Temporal-Hierarchical Memory Consolidation for Long-Horizon Conversational Agents》，理论基础是认知神经科学里的**互补学习系统理论（CLS）**——也就是人脑把短期记忆逐步巩固成长期记忆的那套机制。
核心创新是**时序记忆树（TMT）**，五层结构：
```
L1：原始对话片段
L2：会话摘要（单次对话结束后提炼）
L3：每日总结（多个会话跨天归纳）
L4：每周总结（中期规律提取）
L5：人物画像（全生命周期的稳定描述）
```
每层由 LLM 自动向上归纳，无需微调，兼容任何 LLM。查询时根据问题的复杂度自动选层：简单问题查底层拿精确答案，复杂问题查高层拿整体理解。
```python
import asyncio
import uuid
from timem import AsyncMemory
memory = AsyncMemory(
api_key="YOUR_KEY",
base_url="https://api.timem.cloud"
)
async def main():
# 写入对话
await memory.add(
messages=[
{"role": "user", "content": "我最近在学 Rust，打算转做系统编程"},
{"role": "assistant", "content": "学 Rust 是个好方向！"}
],
user_id="alice",
session_id=str(uuid.uuid4()),
)
# 查询（框架自动选择合适的层级）
results = await memory.search(
query="用户最近的学习方向",
user_id="alice",
limit=5,
)
for r in results:
print(f"[L{r['layer']}] {r['content']}")
asyncio.run(main())
```
返回结果里的 `layer` 字段会告诉你这条记忆来自哪一层，方便理解召回逻辑和调试。
**实验数据**（来自官方论文 arXiv:2601.02845）：
| 基准 | TiMem | MemOS（次强） | 领先幅度 |
|------|-------|------------|--------|
| LoCoMo | 75.30% | 69.24% | +6.06% |
| LongMemEval-S | 76.88% | 68.68% | +8.20% |
Token 消耗上，TiMem 的分层召回比直接检索减少了 **52.20%**，长期运行成本很可观。
相对的缺点：接入比 Mem0 稍复杂一点，需要管理 `session_id`；社区规模比 Mem0/Zep 小，文档还在持续完善。
**一句话**：长期陪伴型 AI、个性化助手、需要跨月记忆的场景，目前最强的选择。
---
## 四个框架怎么选？
| 你的需求 | 推荐框架 |
|---------|--------|
| 快速原型，5分钟接入 | Mem0 |
| 已在用 LangChain/LangGraph | LangMem |
| 需要时序感知，中等周期 | Zep |
| 长期陪伴 / 用户画像 / 跨月记忆 | TiMem |
选型的核心逻辑：**对话周期越长、时序需求越强，越应该用 TiMem；场景越简单，Mem0 就够了。**
---
如果你对 TiMem 感兴趣，欢迎到 GitHub 看看：
https://github.com/timem-ai/tiimem
给个 Star，是我们持续开源的最大动力。
在线体验：https://playground.timem.cloud
技术文档：https://docs.timem.cloud
