开源、零依赖、R@5 精度 95%：agentmemory 凭什么比 mem0 更值得用

AI Agent 有一个几乎被所有人忽略的硬伤：它不记得昨天发生了什么。

每次新对话，你得重新交代背景。重新解释你的项目架构。重新告诉它你上次说好的那个约定。用了半年 Cursor，它对你一无所知。

这个问题不是模型能力的问题，是架构问题。解决它，需要一个专门的记忆层。

现在主流方案有 mem0、Letta、Zep 这几个。但最近我研究了一个更新的开源项目 agentmemory，看完数据之后，老实说，有点被惊到了。

mem0 有什么问题

先说 mem0。48K 星，Apache 开源，知名度最高，入门门槛低——这是它的优势。

但有一个指标很能说明问题：在 LongMemEval-S 基准测试（ICLR 2025，500 道问题）上，mem0 的检索精度 R@5 是 68.5%。

什么意思？就是让它从记忆库里找最相关的 5 条结果，有将近三分之一的概率根本找不对。

这还不是最严重的。mem0 的记忆需要你手动调用 add() 写入。你得自己决定哪些信息值得记，怎么组织，什么时候存。这在原型阶段没问题，但放到生产环境跑几千个会话，就变成了一个需要持续维护的工程负担。

agentmemory 的数据是什么水平

同样跑 LongMemEval-S：

差距不是一点点。R@5 高出 mem0 26.7 个百分点，比 Letta 也高出 12 个点。

更重要的是：它是零外部依赖。不需要 Qdrant，不需要 pgvector，不需要 PostgreSQL。底层就是 SQLite 加一个 iii-engine。一条命令跑起来，没有运维负担。

为什么精度能高这么多：三路融合检索

这是 agentmemory 精度领先的核心原因。

大多数记忆框架用向量检索（Vector Search）——把记忆内容 embedding 成向量，查询时找余弦相似度最近的。这个方案有一个致命弱点：对术语变换不鲁棒。

举个具体例子：你之前存了一条记忆——

"Vendor X 对所有超过 1 万元的订单要求使用 PO v3 格式"

今天你问："哪些供应商需要特殊的采购单模板？"

向量检索可能找不到它，因为"模板"和"格式"在 embedding 空间里不一定足够接近。这个问题在中文场景里更严重，同义词变换更频繁。

agentmemory 的解法是三路融合：

BM25（关键词精确匹配） +Vector Embedding（语义模糊匹配） → RRF 融合排序 → 最终结果 +Knowledge Graph（实体关系图谱）

BM25 负责捕捉"采购单"这类关键词；向量负责处理语义近似；Knowledge Graph 负责把 Vendor X 作为实体关联起来，即使你的问法变了，实体还在。

三路任何一路命中，结果就能被召回。这就是精度为什么高的原因。

记忆不只是"存"，还要会"忘"

mem0 是被动的：你告诉它存什么，它就存什么，存了就在那里。

agentmemory 有一套完整的记忆生命周期：

这对业务场景非常关键。比如客服 Agent 记录的"客户偏好运费险"，如果客户下个月更新了偏好，旧记忆需要被替换，而不是跟新记忆共存导致矛盾。

12 个自动 Hook：不需要你手动写入

这是我觉得工程设计最有价值的部分。

agentmemory 通过 12 个自动 hook，在 Agent 的整个生命周期里默默捕获信息——会话开始、工具调用、工具返回结果、用户纠错、会话结束……这些关键事件全都会触发记忆提取。

你不需要在代码里到处写 memory.add()，不需要决定哪些信息值得存。它自己判断，自己存，自己管理。

这对工程团队的意义是：接入之后，Agent 会越跑越聪明，而不需要专人维护记忆逻辑。

目前这 12 个 hook 是针对 Claude Code 等编程 Agent 的生命周期设计的。但底层接口是开放的——REST API 有 104 个端点，MCP 有 51 个工具，理论上任何 Agent 只要能发 HTTP 请求，都可以接进来。

Token 成本对比

这也是一个被低估的维度。

用本地 embedding 模型（all-MiniLM-L6-v2，免费），每年 API 成本接近零。

什么场景更适合用 agentmemory

说实话，如果你只是做一个简单的 RAG 问答，mem0 完全够用，接入也更快。

但如果你在做以下场景，agentmemory 更值得考虑：

1. 多 Agent 协作mem0 的多 Agent 协调靠 API 调用，没有原生的协调机制。agentmemory 支持 leases（锁机制）和 signals，多个 Agent 可以共享同一个记忆服务器，读写有序。

2. 对记忆精度有要求的生产系统三路融合检索 + 95.2% R@5，在需要可靠召回的场景下优势明显。

3. 自部署、不想依赖外部数据库零依赖，SQLite 本地存储，默认就是自部署。适合对数据有本地化要求的环境。

4. 希望 Agent 有学习能力记忆生命周期管理 + 自动 hook，让 Agent 可以从每次交互中积累知识，不需要人工干预。

一个判断标准

选记忆框架其实可以用这一个问题来决策：

你的 Agent 需要"记住上次发生了什么"，还是需要"从经验里学习规律"？

前者 mem0 够用。后者，你需要 agentmemory 这样有生命周期管理和多路检索的系统。

大多数早期项目是前者，但随着 Agent 跑的时间越长、场景越复杂，慢慢都会需要后者。

提前把基础打好，总比后面迁移省力。

项目地址：github.com/rohitg00/agentmemory，npm 包名 @agentmemory/agentmemory，一条 npx 命令跑起来。