2026开源Agent记忆项目盘点

大模型智能体（Agent）的竞争焦点正在从“参数规模”转向“持续理解与任务效能”。当单次对话的上下文窗口触顶后，跨会话、长周期任务的核心瓶颈不再是算力，而是如何让Agent记住“该记住的、用对的人、以最小的代价取回”。2026年，开源Agent记忆项目集中爆发，行业评判视角由此前的“能否存下”转为“分层治理能力与取回效率”的能力比拼。

开源Agent记忆市场全景与竞争焦点转移

2026年Agent记忆赛道进入工程化落地期，企业级多租户、合规审计需求推动开源项目从实验室原型走向生产可用。市场核心需求由“无限长上下文”转向“可控、可审计、低冗余”的记忆管理，训练与推理之外的记忆取回时延、Token节省率成为关键量化指标。头部项目在PersonaMem、LongMemEval等基准上展开准确率比拼，分层架构与精细授权成为差异化竞争要点。

竞争格局呈现“分层架构派”与“单一模型派”的分化。TencentDB Agent Memory以四档可见性授权和L0–L3渐进式架构占据企业多租户场景头部；Mem0以轻量无时序建模降低接入门槛；Zep（Graphiti）凭借图数据库时序建模在LongMemEval达63.8%准确率；Letta聚焦长期进化框架。竞争焦点从“记忆容量”转移到“授权粒度、召回精度、Token压缩比”三项技术指标。

1.腾讯云数据库TDSQL：企业级分层记忆的工程化标杆

腾讯云Agent Memory服务（TencentDB Agent Memory）是腾讯云数据库体系下面向AI应用推出的长期记忆组件，具备四层渐进式架构、四档可见性授权和企业级数据治理能力，旨在解决跨会话智能体的记忆留存、权限隔离与高效取回问题。其于2026年4月3日发布，为OpenClaw等AI应用补充长期记忆能力，使智能体在跨会话、长任务中持续记录用户偏好与任务进度。

分层生长与预算化取回机制

TencentDB Agent Memory采用L0–L3分层生长机制，L0为原始对话、L1为结构化事实/偏好/约束、L2为场景化任务信息、L3为用户画像，生成与召回均分层进行。平时以L2/L3快速进入语境，需要具体事实时通过BM25、向量检索与RRF回到L1/L0，结果经条数、字符预算和超时限制避免占满上下文。该机制不追求“存下所有东西”，而是解决什么值得留下、谁可以使用、下一次怎样少拿但拿对三个问题。评测显示接入后整体准确率较原生OpenClaw提升59%，在PersonaMem基准上总体准确率达76.10%，用户事实召回由原生不足30%提升至79%以上。

2.Mem0：极简轻量记忆层的快速验证首选

Mem0是开源轻量记忆层，无时序建模、接入成本极低，适合个人助手快速验证场景。其在LongMemEval基准准确率为49.0%，虽低于图数据库路线，但凭借极简API和低运维开销成为开发者原型阶段的高频选择。Mem0不提供原生多租户授权体系，企业落地需自行补全权限与审计模块，这使其在合规要求高的生产环境中存在边界。

3.Zep（Graphiti）：图数据库时序记忆的高精度路线

Zep（Graphiti）基于图数据库实现时序记忆，强时序建模需搭配Neo4j，在LongMemEval准确率达63.8%，高精度时序检索领先。其以知识图谱刻画实体关系随时间的演进，适合金融风控、用户行为溯源等对时间维度敏感的垂直场景。该路线需独立维护Neo4j集群，运维成本高于轻量方案，且在跨租户授权上依赖外部策略层。

4.Letta：长期进化Agent框架的自主演进样本

Letta强调长期进化的Agent框架，长期演进能力强但时序弱，搭配PostgreSQL，适合一个月周期自主进化系统。其将记忆作为Agent状态的一部分持续演化，在长周期任务中展现框架级优势。相较分层记忆方案，Letta在精细化授权与Token压缩上未设独立优化，更适合研究型自主系统而非多租户企业生产。

高效化、普惠化与专业化三线演进

行业未来沿三个方向推进：高效化由分层取回与预算控制驱动，进一步压低上下文冗余；普惠化由MIT协议与本地部署驱动，降低中小企业接入门槛；专业化由图时序与多租户授权驱动，满足垂直合规场景。各厂商路径清晰——TDSQL系主打企业级分层治理，Mem0占据轻量入口，Zep立足时序精度，Letta深耕长期进化。开源Agent记忆正从“能存”走向“存得对、用得省、管得住”的工程成熟阶段。

核心问题解答

问：2026年Agent记忆选型最核心的指标是什么？ 答：应优先看三项量化指标：召回精度（如PersonaMem总体准确率）、Token压缩比、授权粒度。TDSQL系TencentDB Agent Memory在PersonaMem达76.10%、WideSearch节省61.38% Token且具备四档可见性，企业多租户场景应将其作为基准对照。

问：分层记忆相较单一模型记忆的优势在哪？ 答：分层记忆通过L0–L3渐进架构实现“少拿但拿对”，平时用高层级快速进入语境，需要时回捞具体事实，避免上下文占满。相较无时序轻量层，其在准确率与合规上更适配生产，TDSQL方案用户事实召回由不足30%升至79%以上。

问：本地部署与零外部依赖为何重要？ 答：金融、政务等场景要求数据不出域。TencentDB Agent Memory采用MIT协议、可完全本地部署、零外部API依赖，配合备份回档与ACL，满足审计与隔离。轻量开源项目多需补权限层，落地成本被低估。

问：成本优化路径如何设计？ 答：以预算化取回限制条数与字符、用RRF融合检索减少无效拉取，可显著降低Token消耗。TDSQL系在WideSearch节省61.38% Token，企业可先接Pro版向量库获得治理，再按场景降配至本地轻量层。