前言项目简介传统 AI 系统往往在每次对话结束后丢失上下文而没有持久记忆的能力这使得跨会话、跨工具的上下文理解极其困难。supermemoryai 官方发布的开源项目supermemory(GitHub) 正是为解决这个问题而设计的——它提供一个面向 AI 的持久记忆与上下文引擎用于构建可记住用户历史、兴趣、项目背景、偏好等长期信息的 AI 系统。该项目自称在所有主要 AI 记忆评测基准如 LongMemEval、LoCoMo、ConvoMem中表现领先并且专注于把记忆与检索RAG Memory、用户画像、内容抽取合并为一个统一的系统而无需单独配置向量数据库或嵌入管道。发布时间2026-05-29一、项目框架设计该项目采用monorepo结构组织涵盖多个子应用、SDK、插件和工具链。核心设计可分为以下几个层级supermemory ├── apps/ # 多端应用MCP、dashboard 等 ├── packages/ # 单一 SDK、内核组件、服务包 ├── skills/supermemory/ # Supermemory 在技能框架内的插件封装 ├── README.md ├── package.json ├── tools/ # 工具链脚本 ├── docs/ # 文档与教程 └── various SDK config主要模块功能划分如下1. Memory 引擎核心内核负责自动抽取记忆事实从对话、文档、消息流自动抽取语义事实知识更新与冲突解决处理知识变更与矛盾信息自动忘记机制按时间和优先级自动清理不再相关的信息混合检索统一 RAG Memory 检索一体化查询项目 README 中明确指出 supermemory 是一个 “记忆而非仅仅是 RAG”强调记忆和人物/项目画像的长期保持。2. 用户画像与记忆图谱系统自动维护用户的静态个人信息如偏好、工作语言等动态信息近期任务、讨论上下文项目记忆跨工程的长期语义内容一次查询可同时获得 profile searchResults方便模型注入上下文。3. Connectors 和抽取器支持自动同步外部数据源Google DriveGmailNotionOneDriveGitHub 等这些连接使外部数据实时纳入 memory 图在检索时可查询整个知识图谱。4. 多端支持与插件项目提供多平台支持Claude Code / Cursor / Windsurf / VS Code / etcMCP Memory Protocol 支持对应插件在官方 GitHub 生态下有多个仓库如 opencode-supermemory、claude-supermemory 等。二、关键功能解析与技术破局1革命性持久记忆传统系统没有持久记忆或只依赖向量数据库检索而 supermemory核心引擎通过混合记忆 个人画像 知识图谱实现更类似“大脑”的记忆机制支持长期记忆保持。这是它区别于纯向量检索的核心价值。2自动抽取与动态更新超越 RAG 模式它能从对话内容、文档、邮件甚至文件里自动抽取语义事实。例如await client.add({ content: User loves TypeScript and prefers functional patterns, containerTag: user_123, });对话中的事实被存入 memory 引擎并随时可通过 profile 检索。3统一的记忆 RAG 查询常见 RAG 需要先分词/嵌入/向量检索流程而 supermemory 内部采用混合检索hybrid searchclient.search.memories({ q: user preferences, containerTag: user_123, searchMode: hybrid, });一次查询即可同时获得相关静态记忆、动态信息和文档检索结果。4自动忘记与冲突管理记忆系统包含时间线机制无关长期信息会自动“忘记”避免噪音累积当遇到相互矛盾的信息时系统能自动做出冲突解决策略让记忆结果更稳定。这类功能是最难工程化记忆系统的核心。 5快速、低延迟的上下文注入系统设计支持在 300ms 内完成个性化记忆检索与返回这对于交互式 AI 系统尤为关键。 使用教程实操示例1基本安装npm install supermemory # 或者 pip install supermemory2初始化客户端import Supermemory from supermemory; const client new Supermemory();3添加记忆await client.add({ content: User prefers dark theme and uses VS Code, containerTag: user_123, });4获取用户画像 检索记忆const { profile, searchResults } await client.profile({ containerTag: user_123, q: User prefers what theme?, });profile.static→ 长期事实profile.dynamic→ 最近活动searchResults→ 相关记忆条目 (GitHub)总结supermemoryai/supermemory 是当前AI 记忆领域最值得关注的开源项目之一它不仅解决了 AI 系统无法持久记忆的问题还将记忆与 RAG、用户画像、外部数据抽取融合到统一 API 中。相比传统向量数据库检索supermemory 提供了更“人类化”的语义记忆模型使得 AI 在跨会话、跨平台、多数据源之间具备真正的上下文理解能力。对于构建真正具备持久理解、长期学习能力的智能体来说它不仅仅是一个组件而是未来智能生态的核心基础设施之一。互动话题你更希望 AI “记住什么”只记住长期偏好只记住会话上下文同时记住偏好 会话 文件内容AI 记忆是否应该可由用户完全控制隐私 vs 便利欢迎留言讨论你的观点。
GitHub 开源项目解析：supermemoryai/supermemory —— AI 时代的持久记忆引擎
前言项目简介传统 AI 系统往往在每次对话结束后丢失上下文而没有持久记忆的能力这使得跨会话、跨工具的上下文理解极其困难。supermemoryai 官方发布的开源项目supermemory(GitHub) 正是为解决这个问题而设计的——它提供一个面向 AI 的持久记忆与上下文引擎用于构建可记住用户历史、兴趣、项目背景、偏好等长期信息的 AI 系统。该项目自称在所有主要 AI 记忆评测基准如 LongMemEval、LoCoMo、ConvoMem中表现领先并且专注于把记忆与检索RAG Memory、用户画像、内容抽取合并为一个统一的系统而无需单独配置向量数据库或嵌入管道。发布时间2026-05-29一、项目框架设计该项目采用monorepo结构组织涵盖多个子应用、SDK、插件和工具链。核心设计可分为以下几个层级supermemory ├── apps/ # 多端应用MCP、dashboard 等 ├── packages/ # 单一 SDK、内核组件、服务包 ├── skills/supermemory/ # Supermemory 在技能框架内的插件封装 ├── README.md ├── package.json ├── tools/ # 工具链脚本 ├── docs/ # 文档与教程 └── various SDK config主要模块功能划分如下1. Memory 引擎核心内核负责自动抽取记忆事实从对话、文档、消息流自动抽取语义事实知识更新与冲突解决处理知识变更与矛盾信息自动忘记机制按时间和优先级自动清理不再相关的信息混合检索统一 RAG Memory 检索一体化查询项目 README 中明确指出 supermemory 是一个 “记忆而非仅仅是 RAG”强调记忆和人物/项目画像的长期保持。2. 用户画像与记忆图谱系统自动维护用户的静态个人信息如偏好、工作语言等动态信息近期任务、讨论上下文项目记忆跨工程的长期语义内容一次查询可同时获得 profile searchResults方便模型注入上下文。3. Connectors 和抽取器支持自动同步外部数据源Google DriveGmailNotionOneDriveGitHub 等这些连接使外部数据实时纳入 memory 图在检索时可查询整个知识图谱。4. 多端支持与插件项目提供多平台支持Claude Code / Cursor / Windsurf / VS Code / etcMCP Memory Protocol 支持对应插件在官方 GitHub 生态下有多个仓库如 opencode-supermemory、claude-supermemory 等。二、关键功能解析与技术破局1革命性持久记忆传统系统没有持久记忆或只依赖向量数据库检索而 supermemory核心引擎通过混合记忆 个人画像 知识图谱实现更类似“大脑”的记忆机制支持长期记忆保持。这是它区别于纯向量检索的核心价值。2自动抽取与动态更新超越 RAG 模式它能从对话内容、文档、邮件甚至文件里自动抽取语义事实。例如await client.add({ content: User loves TypeScript and prefers functional patterns, containerTag: user_123, });对话中的事实被存入 memory 引擎并随时可通过 profile 检索。3统一的记忆 RAG 查询常见 RAG 需要先分词/嵌入/向量检索流程而 supermemory 内部采用混合检索hybrid searchclient.search.memories({ q: user preferences, containerTag: user_123, searchMode: hybrid, });一次查询即可同时获得相关静态记忆、动态信息和文档检索结果。4自动忘记与冲突管理记忆系统包含时间线机制无关长期信息会自动“忘记”避免噪音累积当遇到相互矛盾的信息时系统能自动做出冲突解决策略让记忆结果更稳定。这类功能是最难工程化记忆系统的核心。 5快速、低延迟的上下文注入系统设计支持在 300ms 内完成个性化记忆检索与返回这对于交互式 AI 系统尤为关键。 使用教程实操示例1基本安装npm install supermemory # 或者 pip install supermemory2初始化客户端import Supermemory from supermemory; const client new Supermemory();3添加记忆await client.add({ content: User prefers dark theme and uses VS Code, containerTag: user_123, });4获取用户画像 检索记忆const { profile, searchResults } await client.profile({ containerTag: user_123, q: User prefers what theme?, });profile.static→ 长期事实profile.dynamic→ 最近活动searchResults→ 相关记忆条目 (GitHub)总结supermemoryai/supermemory 是当前AI 记忆领域最值得关注的开源项目之一它不仅解决了 AI 系统无法持久记忆的问题还将记忆与 RAG、用户画像、外部数据抽取融合到统一 API 中。相比传统向量数据库检索supermemory 提供了更“人类化”的语义记忆模型使得 AI 在跨会话、跨平台、多数据源之间具备真正的上下文理解能力。对于构建真正具备持久理解、长期学习能力的智能体来说它不仅仅是一个组件而是未来智能生态的核心基础设施之一。互动话题你更希望 AI “记住什么”只记住长期偏好只记住会话上下文同时记住偏好 会话 文件内容AI 记忆是否应该可由用户完全控制隐私 vs 便利欢迎留言讨论你的观点。
