以下是一份大模型永久记忆开源项目对比报告，精选了截至2026年5月该领域最具代表性的10个开源项目，按技术路线分类进行横向对比。
一、背景：为什么需要“永久记忆”
大语言模型本质上是无状态的——每次新会话都从零开始，上下文窗口虽已扩展至128K~1M tokens，但无法原生地跨会话保留信息。这一限制催生了AI记忆增强系统的快速崛起。2026年，记忆已成为AI Agent架构中的“一等公民”组件，拥有独立的评测基准、研究文献和可衡量的性能差异。
二、十大开源项目逐一介绍
1. Mem0（“mem-zero”）
2. MemPalace（记忆宫殿）
3. EverMemOS
4. SuperLocalMemory (SLM V3)
5. Hindsight
6. GBrain
7. LightMem
8. MemX
9. Ryumem
10. MemOS（记忆张量/MemoryOS）
三、十大项目横向对比总表
四、四条主流技术路线
当前AI记忆领域形成了四条可清晰辨识的技术路线：
路线一：LLM提取式（Mem0、Hindsight、EverMemOS） 用LLM从对话中抽取事实和偏好，存入向量数据库。准确率高，但写入时依赖LLM调用，带来成本和延迟。Mem0在2026年4月的算法更新中大幅降低了Token消耗，验证了这条路线仍有巨大的优化空间。
路线二：逐字存储式（MemPalace） 不做任何LLM提取，完整保存原始对话，依靠层次化的空间组织和向量检索。零写入成本、完全确定性，某些基准反超提取式方案。核心争议在于：96.6%的LongMemEval高分是否真的可归因于空间隐喻，还是更多来自“不做提取就不丢信息”的简单策略。
路线三：数学替代式（SuperLocalMemory） 用微分几何和拓扑学替代LLM完成记忆管理。零云端依赖，EU AI Act合规。在零LLM约束下实现74.8%的LoCoMo分数，开辟了“不需要大模型也能做记忆”的全新思路。
路线四：知识图谱式（Ryumem、Zep） 以图结构组织记忆，天然支持时序推理、实体关系查询和矛盾检测。在需要追踪“信息何时有效”的合规场景中，图结构的优势无可替代。
五、2026年关键趋势与选型建议
五大关键趋势：
本地优先成为显学：MemPalace（纯本地）、SuperLocalMemory（零API密钥）、MemX（Rust本地）均将“数据不离开设备”作为核心卖点。这与EU AI Act 2026年8月2日的合规截止日直接相关。
写入范式出现路线分化：“LLM提取写入”与“逐字全存/数学模型写入”形成了根本性的路线之争。前者偏重语义理解但成本高，后者追求确定性但丢失了语义压缩能力。
评测基准走向多维化：LoCoMo和LongMemEval成为事实标准，但BERTScore、Token消耗、延迟等效率指标的重要性也在上升——准确率不再是唯一衡量标准。
从个人记忆走向多人协作：EverMemOS率先同时支持1对1对话和复杂多人协作场景，标志着AI记忆正从“个人助理”迈向“团队知识基础设施”。
“记忆基础设施”概念成型：多位玩家（MemOS、EverMemOS、MemMachine）将自身定位为“记忆操作系统/基础设施”而非应用层工具，体现了记忆正在成为独立工程层。
场景化选型建议：
性能基准参考速览（主要基准）
LoCoMo 排行榜：
EverMemOS: 93.05%
Hindsight（LoComo10）: 92.0%
Mem0（新算法）: 91.6%
SuperLocalMemory V3 Mode C: 87.7%
Zep v3: 85.2%
LongMemEval 排行榜：
MemPalace: 96.6% Recall@5（公开可查最高分）
Mem0（新算法）: 93.4%
Memoria: 88.78% 整体准确率
⚠️ 注意：不同论文使用的评测分割集、评分模型和提示词可能不同，跨论文直接对比分数并不完全公平。建议在自身业务数据上做独立验证。
六、总结
2026年的大模型永久记忆领域正处于从“能记住”到“会记忆”的质变期。技术路线的多元分化、评测标准的逐步统一、隐私合规的刚性约束，以及“记忆即基础设施”的共识形成，共同构成了这个领域最核心的叙事。选择哪个项目，本质上是在“云端智能 vs 本地隐私”“LLM提取 vs 逐字存储”“快速上手 vs 深度定制”之间做取舍——没有绝对的最佳，只有与自身场景的最匹配。
