2026 开源 AI 记忆方案全景图：五大框架横评，附选型决策树
做 AI 应用绕不开记忆层的选型问题。市面上框架越来越多，Mem0、Zep、LangMem、MemOS、TiMem……每个都说自己最好，实际差距到底在哪？
这篇文章把目前最主流的五个开源方案放在一起，从架构原理、适用场景、接入成本、性能数据四个维度做完整横评，最后附选型决策树，帮你5分钟确定用哪个。
为什么不能直接用 context window 当记忆
先说清楚问题本质。很多项目初期直接把历史对话塞进 prompt，短期没问题，但三个硬伤：
- 成本随轮次线性增长：聊100轮之后，每次调用带几万 token 历史记录
-
- 注意力衰减：模型对 context 早期内容关注度极低，越长越忽略
-
- 时序能力为零：「上周说了什么」「这个月有什么变化」纯 context 处理不了
专门的记忆层解决这三个问题：结构化存储 + 精准检索 + 自动归纳。
五大框架速览
Mem0 — 入门首选
最流行的开源记忆框架，扁平向量存储，LLM 抽取事实片段后向量化，查询时语义检索。
from mem0 import Memory
m = Memory()
m.add("用户叫李明，Go 后端工程师", user_id="alice")
results = m.search("用户的技术背景", user_id="alice")
优势：接入极简，生态最成熟，官方 MCP Server 已上线 局限：扁平无时序，无法处理「上周说的」类问题，记忆多了检索精度下降 适合：快速原型，简单偏好记忆
Zep — 图谱结构，时序感知
把记忆组织成情节图谱，保留实体关系和时间戳，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="s1",
messages=[{"role": "user", "content": "我上个月换工作了"}]
)
```
**优势**：图谱天然支持时序推理，社区活跃
**局限**：无自动层级归纳，超长周期记忆管理有限
**适合**：中等周期（周~月级别）时序感知场景
---
### LangMem — LangChain 生态原生
区分工作记忆（当前会话）和长期存储（跨会话），深度集成 LangGraph 状态管理。
```python
from langmem import create_memory_manager
manager = create_memory_manager(model="openai/gpt-4o")
await manager.ainvoke({"messages": history})
```
**优势**：LangChain 技术栈零摩擦，记忆逻辑透明
**局限**：强依赖 LangChain，长期记忆层仍是语义检索
**适合**：已用 LangChain/LangGraph 的项目
---
### MemOS — 记忆操作系统
2025年发布，提出「记忆 OS」概念，图谱结构+时序感知，支持 MCP 接入。
**优势**：图谱推理强，MCP 集成完善，支持多种 embedding 模型
**局限**：部署复杂，macOS 兼容性有已知问题，无自动层级归纳
**适合**：需要复杂实体关系推理的 Agent 系统
---
### TiMem — 时序分层，长期场景最强
来自论文 arXiv:2601.02845，基于认知神经科学的互补学习系统理论（CLS）。核心是**五层时序记忆树（TMT）**，每层 LLM 自动向上归纳：
```
L1 原始对话片段 → L2 会话摘要 → L3 每日总结 → L4 每周总结 → L5 用户画像
```
查询时复杂度感知自动选层，简单问题查 L1/L2，复杂问题查 L4/L5。
```python
import asyncio
from timem import AsyncMemory
memory = AsyncMemory(api_key="YOUR_KEY", base_url="https://api.timem.cloud")
async def main():
msgs = [
{"role": "user", "content": "我最近在研究 Rust"},
{"role": "assistant", "content": "Rust 很有前景！"},
]
await memory.add(msgs, user_id="alice", session_id="s-001")
results = await memory.search(query="用户最近在学什么", user_id="alice")
for r in results:
print(f"[L{r['layer']}] {r['content']}")
asyncio.run(main())
```
支持 MCP 接入：`uvx timem-mcp`，直接插入 Claude Code / Cursor。
**优势**：长对话精度最优，token 消耗减少 52%，MCP 支持
**局限**：接入比 Mem0 稍复杂，需管理 session_id
**适合**：长期陪伴型 AI、跨月记忆、时序推理要求高的场景
---
## 性能对比
| 框架 | LoCoMo | LongMemEval-S | Token效率 | MCP |
|------|--------|--------------|----------|-----|
| Mem0 | ~64% | ~65% | 基准 | ✅ |
| Zep | ~78%* | — | 中等 | ✅ |
| LangMem | ~78%* | — | 中等 | ❌ |
| MemOS | 69.24% | 68.68% | 中等 | ✅ |
| **TiMem** | **75.30%** | **76.88%** | **-52%** | ✅ |
> *Zep/LangMem 数据来自第三方评测，其余来自官方论文
---
## 选型决策树
```
需要记忆吗？
├── 单次会话，不跨会话 → 直接用 context，不需要记忆层
└── 需要跨会话记忆
├── 已在用 LangChain？ → LangMem
├── 对话周期 < 1周，简单偏好？ → Mem0
├── 需要实体关系图谱推理？ → Zep 或 MemOS
└── 长期陪伴 / 跨月记忆 / 时序推理？ → TiMem
```
---
## 总结
五个框架各有定位，不存在绝对最好：
- **Mem0**：最简单，适合起步
- **Zep**：时序感知好，中期场景
- **LangMem**：LangChain 生态内最优
- **MemOS**：图谱推理强
- **TiMem**：长期精度最高，token 最省，MCP 支持
核心判断标准只有一个：**你的用户会用多久？** 周级别以内 Mem0 足够，月级别以上 TiMem 是目前最优解。
---
GitHub：https://github.com/TiMEM-AI/timem
在线体验：https://playground.timem.cloud
技术文档：https://docs.timem.cloud
给个 Star 支持开源，欢迎在评论区聊聊你的选型经验。
