你知谈吗，让 Agent记着你的容颜高下文、时刻决策和责任风俗，这件事完全不错不花一分钱、不连任何云管事、数据全留在我方电脑上就作念到。

每次掀开 Hermes 或 OpenClaw 新建会话，你都得重新讲授一遍容颜用了什么框架、前次修 MCP 断线用的什么号召、为什么选 jose 而不是 jsonwebtoken。不是模子不够智谋，是高下文窗口实质上是"一次性"的——会话拆开，缅思也随着清零。

开源社区早就盯上了这个问题。曩昔一年里，至少有六款挑升针对 Agent缅思推广的开源器具冒了出来——澈底开源免费、澈底不错土产货部署、况且功能极少不期骗。

这篇著述就带你把这六款器具一一看一遍：它们若何责任的、若何安设确立、各自有什么所长和短板、你的场景最适合哪个。

先搞清你需要哪种"缅思"

在聊具体器具之前，有一个关节远隔要先说显着——AI 助手需要记的东西，其实分两种：

类型问的问题例如步履/情节缅思"我（Agent）前次若何操作的？""前次缔造 MCP 断线用了什么号召？"学问/文档缅思"我知谈什么府上？""GEO 写稿范例第三条若何说的？"

前者纪录 Agent 的操作历史，后者检索已有的文档学问库。两类需求适合不同的器具，最佳的决策是搭配使用。

一、步履缅思类：让 Agent 记着"我作念过什么"

1. agentmemory

GitHub：rohitg00/agentmemory（23，000+ Stars，MIT 左券）

agentmemory 是当今照管度最高的 AI 编程 Agent 捏久缅思决策。它的中枢卖点就一个词：零烦嚣。Agent 履行器具调用时，它通过 Hook 机制自动静默拿获通盘操作，你什么都无谓管。

责任旨趣

每次 Agent（Hermes、Claude Code 等）调用器具时，agentmemory 拿获一条 Observation 纪录。

这些纪录历程 iii-engine 压缩后存入土产货 SQLite。下次新建会话时，agentmemory 自动检索关连历史高下文并注入进去。

检索机制：三流和会

这是 agentmemory 最值得细说的方位。它不是简短地作念关节词搜索——它同期跑三路：BM25 全文检索、向量语义检索、学问图谱遍历，终末通过 RRF（Reciprocal Rank Fusion）和会排序。在 LongMemEval-S 基准测试上，调回率作念到了 95.2%，而 mem0 只须 68.5%、Letta/MemGPT 是 83.2%。

典型使用场景

记着容颜里用了哪个库以及为什么选它（"为什么用 jose 而不是 jsonwebtoken"）

跨会话不息前次没作念完的任务

自动藏匿已经踩过的坑（"这个 CORS 问题前次若何科罚的"）

多个 Agent 实例（Hermes + OpenClaw）分享兼并份时刻决策历史

优点

零烦嚣，完全自动拿获，不需要手动防御任何文献

零外部依赖，纯 SQLite，不需要 Docker 或相当管事

多 Agent 分享，一个管事同期管事多个 Agent 实例

MIT 左券，完全土产货运行，不连任何外部 LLM

调回精度在同类器具中最高（95.2% R@5）

❌ 污点

仅对接 Coding Agent，不适合通用 LLM 应用的用户画像场景

默许 Embedding 模子（all-MiniLM-L6-v2，80MB）对汉文赈济一般，汉文容颜冷落替换为 Qwen3-Embedding

依赖 iii-engine 版块锁定（v0.11.2），升级需严慎

值得持重的是，agentmemory 的缅思写入和检索均不调用任何 LLM，完全土产货计较。这是它和 mem0 最大的区别之一。

2. mem0

GitHub：mem0ai/mem0（41，000+ Stars，Apache 2.0）

mem0 和 agentmemory 定位不同。它面向的是 LLM 应用（聊天机器东谈主、个性化助手），从对话内容中自动索求结构化用户事实——偏好、风俗、身份信息——构建用户画像。

责任旨趣

每次对话拆开后，mem0 调用 LLM 分析对话内容，索求出雷同"这个用户心爱 TypeScript、不心爱冗余防御"的事实，写入向量数据库。下次对话时检索注入，结束个性化。

典型使用场景

记着用户的编码作风偏好（"心爱函数式作风，无谓 class"）

跨会话保捏用户画像（"这个用户在作念 Electron 容颜"）

构建面向终局用户的个性化 AI 家具

优点

自动从对话索求事实，无需手动回来

赈济 MCP 接入，可集成到 Hermes/OpenClaw

生态最锻真金不怕火（YC 投资，14M+ 下载）

❌ 污点

部署较重：需要 Qdrant 或 Chroma 等向量数据库（相当 Docker 管事）

每次写入缅思时必须调用 LLM 索求事实（赈济土产货 Ollama/oMLX）

与 agentmemory 定位不同，不适合替代后者

二、学问检索类：让 Agent 找到"我存了什么"

3. QMD

GitHub：Shopify CEO Tobi Lütke 发起，OpenClaw 生态中枢器具（MIT 左券）

QMD（Quick Markdown Database）是专为 OpenClaw / Hermes 野心的土产货 Markdown 学问库搜索引擎。它科罚的问题不是"前次若何作念的"，而是"我的条记里写了什么"。

责任旨趣

QMD 对你 workspace 目次下的通盘 Markdown 文献建立双索引——BM25 倒排索引加向量索引——查询时两路打分，再经 Reranker 和会排序，复返最关连的文本段落。三个土产货模子自动下载，整个约 2.3GB：

模子变装默许模子大小Embeddingjina-embeddings-v3 (GGUF)330 MBRerankerjina-reranker-v2-base-multilingual (GGUF)640 MBQuery Expansion内置小 LLM1.3 GB

汉文容颜可替换为 Qwen3-Embedding GGUF 以优化检索服从。

典型使用场景

搜索时刻条记、架构野心文档（"这个接口的野心原则"）

检索 GEO 写稿范例（"SEO 关节词密度条件"）

查找已有代码片断的讲解（"Aliyun OSS 签名上传的备注"）

行为 NotebookLM 的土产货替代决策

优点

专为 Markdown 优化，OpenClaw 生态原生赈济

三模子管线检索质料高（BM25 + 向量 + Reranker）

完全离线，模子下载一次后永恒缓存

赈济多 Collection，不同容颜学问库相互隔断

❌ 污点

需要手动防御 Markdown 文献，亚搏app官方注册入口不自动拿获 Agent 步履

初次 qmd embed 下载约 2.3GB 模子

对代码库和非 Markdown 文献赈济有限

Query Expansion 阶段会调用内置小 LLM，增多查询延长约 300ms，无需相当确立。

4. Cognee

GitHub：topoteretes/cognee（Apache 2.0）

Cognee 从根底上区别于 QMD：它不作念文档相同度检索，而是从文档中索肄业识图谱，酬劳"A 和 B 有什么关系"这类推感性问题。

责任旨趣：ECL 三阶段

Extract：识别文档中的实体（模块、东谈主员、见解、时刻名词）

Cognify：用 LLM 推断实体间关系（依赖/影响/属于），构建三元组

Load：写入土产货图数据库（默许 NetworkX 内存图，可换 Neo4j）

查询时通过图遍历而非向量相同度，能结束多跳推理。比如" MCP 断线 → 影响哪些 Agent → 这些 Agent 依赖哪些管事"——这种问题 QMD 是答不了的。

典型使用场景

和会代码库中模块之间的依赖关系

推断"A 功能崩溃会影响哪些卑劣"

从多篇文档中概括出共同论断

分析系统架构的影响链路

优点

❌ 污点

索引速率慢，每篇文档都要跑 LLM 索务实体，约比 QMD 慢 5–10 倍

查询延长较高（图遍历 200ms–2s）

对简短的文档检索需求属于"杀鸡用牛刀"

实体索求是 Cognee 的中枢门径，必须调用 LLM，但赈济土产货 Ollama/oMLX，完全免费。

三、时序与用户画像类

5. Zep（Community Edition）

GitHub：getzep/zep（Apache 2.0）

Zep 专注于时序感知缅思——它不仅记着"说了什么"，还记着"什么时候说的、这条信息是否已被更新阴私"。2026 年与 LangGraph 深度整合后照管度大增。

典型使用场景

"上周我说用 Redis，这周改成了 SQLite，以最新的为准"

跟踪容颜决策的演化历史（某个时刻决策经验了几次变更）

需要时刻线推理的复杂对话系统

优点

时序跟踪是罕见才调，其他器具都莫得

2026 年 LangGraph 官方集成，生态好

企业级野心，赈济大规模部署

❌ 污点

需要 Postgres + pgvector，部署相比重

对纯 Coding Agent 场景价值有限（agentmemory 更合适）

6. TencentDB Agent Memory

GitHub：Tencent/TencentDB-Agent-Memory（Apache 2.0，2026 年 4 月开源）

腾讯开源的四层渐进式缅思架构，完全 SQLite 土产货运行，对汉文内容和国里面署环境针对性优化。

四层架构

层级内容L0 原始对话全量保存L1 原子缅思自动索求事实、偏好、关节拘谨L2 场景分块按容颜聚类，高下文精确调回L3 用户画像褂讪个性化认识

典型使用场景

汉文环境的用户偏好缅思

国内信创/特有化部署场景

替代 mem0 的纯土产货汉文决策

优点

零外部依赖，纯 SQLite

汉文分词和语义和会针对性优化

Apache 2.0，国内社区防御活跃

❌ 污点

生态相对较新，MCP 器具数目少于 agentmemory

文档和社区资源主要为汉文

L1 层索求事实需要计划 LLM（可确立土产货 Qwen3）

对比总览

功能与时刻对比

器具定位写入花样检索花样土产货依赖需要 LLM开源左券agentmemoryCoding Agent 步履缅思自动 HookBM25+向量+图谱SQLite（零依赖）不需要MITmem0用户画像/个性化自动索求向量检索需要 Qdrant需要Apache 2.0QMDMarkdown 文档检索手动写文献BM25+向量+Reranker土产货 GGUFQuery ExpansionMITCognee学问图谱/关系推理自动索求三元组图遍历土产货（需 LLM）必须Apache 2.0Zep CE时序感知缅思自动索求向量+时序索引Postgres+pgvector需要Apache 2.0TencentDB AM汉文用户画像自动索求向量检索SQLite（零依赖）L1 层需要Apache 2.0

土产货部署友好度

器具磁盘占用相当管事部署难度agentmemory~80–600 MB（Embedding）蒙眬简QMD~2.3 GB（3个GGUF模子）蒙眬简TencentDB AM极小（SQLite）蒙眬简Cognee~500 MB SDK + LLM已有 Ollama/oMLX简短mem0~1 GBQdrant（Docker）中等Zep CE~2 GBPostgres + pgvector（Docker）较复杂

检索精度对比

器具评测得分备注agentmemory95.2%（LongMemEval-S R@5）三流和会检索Letta/MemGPT83.2%供参考mem068.5%不同场景野心，不完全可比Zep75.14%（LOCOMO）不同基准，侧重时序推理

各器具使用不同评测基准，数字不行径直横向相比，仅供参考。

若何选？场景决策树

保举的组合决策

关于 OpenClaw / Hermes 的个东谈主开辟者，仙踪问谈团队在推行部署中考据了一个三层搭配决策：

第一层用 agentmemory，自动拿获 Agent 步履历史，零烦嚣，关掉岂论它，它寡言在后台纪录通盘的时刻决策和操作。

第二层用 QMD，把萧条的时刻条记、容颜范例写成 Markdown，Agent 就能随时检索这些学问库。两个器具都行为 MCP Server 挂载，互不干扰，一个管"作念过什么"，一个管"知谈什么"。

容颜复杂度上去之后——代码库有好几个微管事、模块之间依赖关系复杂——再加 Cognee，引入图谱推理才调。三层就王人了：步履缅思 + 文档检索 + 关系推理。

# ~/.hermes/config.yaml

mcp_servers:

agentmemory:

command: "npx"

args: ["@agentmemory/mcp"]

qmd_search:

command: "qmd"

args: ["serve"， "--port"， "7333"]

归根结底，Agent的"失忆症"不是时刻作念不到，而是艰难一个中间层——一个能在会话除外捏久化学问、跨会话注入高下文的缅思系统。开源社区给的这六款器具，即是在补这一层。它们一起开源免费、澈底不错土产货运行、数据留在我方的机器上。

还没下载使用Openclaw和Hermes， 快来仙踪问谈·智能助手开动你的智能之旅吧！

附录：关节术语

MCP（Model Context Protocol）：Anthropic 推出的绽开左券，允许 LLM 通过规范接口调用外部器具和管事。agentmemory、QMD 等器具均提供 MCP Server，可径直挂载到 Hermes/OpenClaw

BM25：经典全文检索算法，基于词频和逆文档频率打分，速率快

向量检索：将文本滚动为高维数字向量，基于语义相同度检索

Reranker：对初步检索截止重新打分排序的模子

学问图谱：以节点（实体）和边（关系）表告学问的图结构，赈济多跳推理

LongMemEval-S：挑升评测 AI Agent 跨会话永远缅思才调的规范基准测试集亚搏app官方注册入口