2026 AI 记忆框架横评：Mem0 / Zep / LangMem / TiMem，选哪个？
最近帮几个 AI 产品做技术选型，把目前主流的四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，只有最适合场景的。但每个框架的能力边界差距很大，选错了后期迁移成本很高。
为什么 context window 不够用？
做 AI 应用最开始都会这么干：把历史对话直接塞进 prompt。短期能跑，但走不远，原因有三：
- 成本爆炸：聊几百轮之后，每次调用 LLM 要带几万 token 历史记录
-
- 注意力衰减：context 太长，模型对早期内容的关注度显著下降
-
- 跨会话失效：用户第二天来，什么上下文都没了
专门的记忆层就是用来解决这三个问题的。
Mem0：入门首选，但有天花板
Mem0 是目前使用量最大的 AI 记忆方案，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。
from mem0 import MemoryClient
client = MemoryClient(api_key="your_key")
client.add("用户叫李明，后端工程师，主要用 Go", user_id="alice")
results = client.search("用户的技术背景", user_id="alice")
v1.0 之后支持 memory export，API 也更新到了 v2，整体生态比较成熟。接入 5 分钟能跑起来。
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。「用户上周说了什么」「这个月状态有什么变化」，它答不上来——因为索引完全基于语义相似度，没有「什么时候」的概念。
适合：快速原型、简单偏好记忆、短对话场景。
Zep：图谱结构，时序感知更强
Zep 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，每个节点带时间戳。时序类问题处理明显好于 Mem0。
from zep_cloud.client import Zep
client = Zep(api_key="your_key")
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"}]
)
result = client.memory.search(session_id="session_001", text="用户的职业变化")
```
在第三方 LoCoMo 基准评测中 Zep 拿到了 78.94%，社区活跃，文档完善。
缺点是没有自动的层级归纳——聊了三个月之后，所有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」。
**适合**：中等周期（周~月级别）的场景，时序感知需求强。
---
## LangMem：LangChain 生态的原生选择
如果你已经在用 LangChain/LangGraph 搭 Agent，LangMem 是摩擦最低的选项。它把记忆分为工作记忆（当前会话）和长期存储（跨会话），深度集成 LangGraph 的状态管理。
```python
from langmem import create_memory_manager
manager = create_memory_manager(model="openai/gpt-4o")
await manager.ainvoke({"messages": conversation_history})
```
第三方评测 78.05%，记忆管理逻辑透明，方便调试。
但强依赖 LangChain 生态，如果你不用 LangChain，接入价值不大；长期记忆层仍是语义检索，时序能力也有限。
**适合**：已经在用 LangChain/LangGraph 技术栈的项目。
---
## TiMem：五层时序记忆树，长期场景综合最强
TiMem 来自论文《TiMem: Temporal-Hierarchical Memory Consolidation for Long-Horizon Conversational Agents》（arXiv:2601.02845），理论基础是认知神经科学里的**互补学习系统理论（CLS）**——模拟人脑把短期记忆逐步巩固成长期记忆的机制。
核心是**时序记忆树（TMT）**，五层结构，每层由 LLM 自动向上归纳：
1. **L1 原始对话片段**：保留完整原始对话，毫秒级写入
2. **L2 会话摘要**：单次对话结束后自动提炼关键信息
3. **L3 每日总结**：跨多个会话归纳当日整体情况
4. **L4 每周总结**：提取中期规律和变化趋势
5. **L5 人物画像**：全生命周期的稳定用户描述，持续更新
查询时根据问题复杂度自动选层：简单问题查 L1/L2 精确召回，复杂问题查 L4/L5 全面理解，不需要手动指定。
```python
import asyncio
import uuid
from timem import AsyncMemory
memory = AsyncMemory(api_key="YOUR_KEY", base_url="https://api.timem.cloud")
async def main():
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()),
)
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` 字段告诉你这条记忆来自哪一层，方便理解召回逻辑。
**官方论文数据**：
| 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，分层召回比直接检索减少了 **52.20%**，长期运行成本优势明显。
缺点：接入比 Mem0 略复杂（需要管理 `session_id`）；社区规模比 Mem0/Zep 小，文档还在持续完善。
**适合**：长期陪伴型 AI、个性化助手、需要跨月记忆、时序推理要求高的场景。
---
## 怎么选？
| 需求 | 推荐 |
|------|------|
| 快速原型，5 分钟接入 | Mem0 |
| 已在用 LangChain/LangGraph | LangMem |
| 时序感知，中等周期 | Zep |
| 长期陪伴 / 用户画像 / 跨月记忆 | TiMem |
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 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
