北京
用 AI 助手最闹心的不是它不够灵光，而是记性差。聊过的需求、踩过的坑，新会话一开全部归零。
有开发者把 GitHub 上解决这个问题的开源项目翻了一遍，挑出 10 个，按功能分成四层。这份清单的价值不在于项目多，而在于它把"AI 记忆"这件事拆成了可组装的零件。
记忆不是一块硬盘，是一条流水线
很多人以为给 AI 加记忆就是接个向量数据库。这份梳理给出的答案更细：完整的记忆循环是六个动作——体验、记住、连接、检索、行动、更新。
断一环，AI 就又失忆了。检索做得再好，如果"连接"这一环缺失，系统拿到的只是一堆孤立片段，拼不出上下文。这也是为什么清单把项目按功能分层，而不是按热度排名。
四层分工，各管一段
第一层是原始留存，负责把信息存下来，代表项目有 Mem0、Hindsight、memU。
第二层是知识转换，把零散记录变成结构化图谱，代表项目有 Cognee、Graphiti、OpenViking。
第三层是跨会话的状态保持，让系统在新会话里仍记得之前的状态，代表项目有 Letta、Letta Code。
第四层是全栈基准测试，用来衡量记忆方案到底管不管用，代表项目有 OpenMemory、Agent Memory Benchmark。
四层叠起来，才是一条从存到用再到验证的完整链路。
三种场景，三套组合
清单没有给出"万能方案"，而是按使用场景给了三套工具链：
- 写代码：Hindsight → Cognee → Letta Code
- 个人助手：Mem0 → Graphiti → Letta
- 公司大脑：Cognee → Graphiti → Hindsight
三套组合的差异值得琢磨。写代码场景把 Hindsight 放在最前，先解决"记住踩过的坑"；个人助手从 Mem0 起步，先解决"记住聊过什么"；企业知识系统则从 Cognee 切入，先做知识结构化。
起点不同，说明记忆的瓶颈在不同场景下并不一样。个人助手最缺的是留存，企业系统最缺的是把散落文档变成可检索的知识网络。
为什么现在集中冒出来
这 10 个项目扎堆出现，指向同一个被长期忽略的问题：会话重置。
AI 的能力在过去两年涨得很快，但每次新会话从零开始这件事，一直没被系统性解决。用户抱怨的往往不是模型不够聪明，而是"我上周刚跟它说过"。
把记忆拆成留存、转换、状态、基准四层，好处是每一层都可以单独替换和验证。对开发者来说，这意味着不必一次性重构整个记忆架构，可以先补最缺的那一环。
清单里那句总结说得很直白：这些项目补的是同一个循环，断一环，AI 就又失忆了。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
