Agent六款开源记忆工具大横评——全都能本地跑，全都不花钱

你知道吗，让 Agent记住你的项目上下文、技术决策和工作习惯，这件事完全可以不花一分钱、不连任何云服务、数据全留在自己电脑上就做到。

每次打开 Hermes 或 OpenClaw 新建会话，你都得重新解释一遍项目用了什么框架、上次修 MCP 断线用的什么命令、为什么选 jose 而不是 jsonwebtoken。不是模型不够聪明，是上下文窗口本质上是"一次性"的——会话结束，记忆也跟着清零。

开源社区早就盯上了这个问题。过去一年里，至少有六款专门针对 Agent记忆扩展的开源工具冒了出来——全都开源免费、全都可以本地部署、而且功能一点不糊弄。

这篇文章就带你把这六款工具逐个看一遍：它们怎么工作的、怎么安装配置、各自有什么长处和短板、你的场景最适合哪个。

先搞清你需要哪种"记忆"

在聊具体工具之前，有一个关键区分要先说明白——AI 助手需要记的东西，其实分两种：

前者记录 Agent 的操作历史，后者检索已有的文档知识库。两类需求适合不同的工具，最好的方案是搭配使用。

一、行为记忆类：让 Agent 记住"我做过什么"

1. agentmemory

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

agentmemory 是目前关注度最高的 AI 编程 Agent 持久记忆方案。它的核心卖点就一个词：零干预。Agent 执行工具调用时，它通过 Hook 机制自动静默捕获所有操作，你什么都不用管。

工作原理

每次 Agent（Hermes、Claude Code 等）调用工具时，agentmemory 捕获一条 Observation 记录：

{
  "toolName": "Write",
  "toolInput": { "file_path": "src/auth.ts" },
  "toolOutput": "OK",
  "sessionId": "ses_abc123",
  "project": "my-hermes-app",
  "cwd": "/Users/you/projects/my-hermes-app"
}

这些记录经过 iii-engine 压缩后存入本地 SQLite。下次新建会话时，agentmemory 自动检索相关历史上下文并注入进去。

检索机制：三流融合

这是 agentmemory 最值得细说的地方。它不是简单地做关键词搜索——它同时跑三路：BM25 全文检索、向量语义检索、知识图谱遍历，最后通过 RRF（Reciprocal Rank Fusion）融合排序。在 LongMemEval-S 基准测试上，召回率做到了 95.2%，而 mem0 只有 68.5%、Letta/MemGPT 是 83.2%。

典型使用场景

• 记住项目里用了哪个库以及为什么选它（"为什么用 jose 而不是 jsonwebtoken"）
• 跨会话继续上次没做完的任务
• 自动规避曾经踩过的坑（"这个 CORS 问题上次怎么解决的"）
• 多个 Agent 实例（Hermes + OpenClaw）共享同一份技术决策历史

安装配置

npm install -g @agentmemory/agentmemory
agentmemory connect hermes     # 接入 Hermes
agentmemory connect openclaw   # 接入 OpenClaw

在 ~/.hermes/config.yaml 中添加 MCP 服务配置即可。实时监控面板访问 http://localhost:3113，可以看到记忆构建过程、知识图谱和 Session Replay。

✅ 优点

• 零干预，完全自动捕获，不需要手动维护任何文件
• 零外部依赖，纯 SQLite，不需要 Docker 或额外服务
• 多 Agent 共享，一个服务同时服务多个 Agent 实例
• MIT 协议，完全本地运行，不连任何外部 LLM
• 召回精度在同类工具中最高（95.2% R@5）

❌   缺点

• 仅对接 Coding Agent，不适合通用 LLM 应用的用户画像场景
• 默认 Embedding 模型（all-MiniLM-L6-v2，80MB）对中文支持一般，中文项目建议替换为 Qwen3-Embedding
• 依赖 iii-engine 版本锁定（v0.11.2），升级需谨慎

值得注意的是，agentmemory 的记忆写入和检索均不调用任何 LLM，完全本地计算。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（聊天机器人、个性化助手），从对话内容中自动提取结构化用户事实——偏好、习惯、身份信息——构建用户画像。

工作原理

每次对话结束后，mem0 调用 LLM 分析对话内容，提取出类似"这个用户喜欢 TypeScript、不喜欢冗余注释"的事实，写入向量数据库。下次对话时检索注入，实现个性化。

典型使用场景

• 记住用户的编码风格偏好（"喜欢函数式风格，不用 class"）
• 跨会话保持用户画像（"这个用户在做 Electron 项目"）
• 构建面向终端用户的个性化 AI 产品

本地部署

docker run -p 6333:6333 qdrant/qdrant  # 需要本地向量数据库
pip install mem0ai

from mem0 import Memory
config = {
    "llm": {"provider": "ollama", "config": {"model": "qwen3:14b"}},
    "embedder": {"provider": "ollama", "config": {"model": "qwen3-embedding"}},
    "vector_store": {"provider": "qdrant", "config": {"host": "localhost"}}
}
m = Memory.from_config(config)

✅ 优点

• 自动从对话提取事实，无需手动总结
• 支持 MCP 接入，可集成到 Hermes/OpenClaw
• 生态最成熟（YC 投资，14M+ 下载）

❌   缺点

• 部署较重：需要 Qdrant 或 Chroma 等向量数据库（额外 Docker 服务）
• 每次写入记忆时必须调用 LLM 提取事实（支持本地 Ollama/oMLX）
• 与 agentmemory 定位不同，不适合替代后者

二、知识检索类：让 Agent 找到"我存了什么"

3. QMD

GitHub：Shopify CEO Tobi Lütke 发起，OpenClaw 生态核心工具（MIT 协议）

QMD（Quick Markdown Database）是专为 OpenClaw / Hermes 设计的本地 Markdown 知识库搜索引擎。它解决的问题不是"上次怎么做的"，而是"我的笔记里写了什么"。

工作原理

QMD 对你 workspace 目录下的所有 Markdown 文件建立双索引——BM25 倒排索引加向量索引——查询时两路打分，再经 Reranker 融合排序，返回最相关的文本段落。三个本地模型自动下载，总共约 2.3GB：

中文项目可替换为 Qwen3-Embedding GGUF 以优化检索效果。

典型使用场景

• 搜索技术笔记、架构设计文档（"这个接口的设计原则"）
• 检索 GEO 写作规范（"SEO 关键词密度要求"）
• 查找已有代码片段的说明（"Aliyun OSS 签名上传的备注"）
• 作为 NotebookLM 的本地替代方案

安装配置

brew install qmd  # macOS
# 或 go install github.com/tobi-lmd/qmd@latest
# 建立索引
qmd embed ~/knowledge-base
# 作为 MCP 服务启动
qmd serve --port 7333

✅ 优点

• 专为 Markdown 优化，OpenClaw 生态原生支持
• 三模型管线检索质量高（BM25 + 向量 + Reranker）
• 完全离线，模型下载一次后永久缓存
• 支持多 Collection，不同项目知识库互相隔离

❌   缺点

• 需要手动维护 Markdown 文件，不自动捕获 Agent 行为
• 首次 qmd embed 下载约 2.3GB 模型
• 对代码库和非 Markdown 文件支持有限

Query Expansion 阶段会调用内置小 LLM，增加查询延迟约 300ms，无需额外配置。

4. Cognee

GitHub：topoteretes/cognee（Apache 2.0）

Cognee 从根本上区别于 QMD：它不做文档相似度检索，而是从文档中提取知识图谱，回答"A 和 B 有什么关系"这类推理性问题。

工作原理：ECL 三阶段

1. Extract：识别文档中的实体（模块、人员、概念、技术名词）
2. Cognify：用 LLM 推断实体间关系（依赖/影响/属于），构建三元组
3. Load：写入本地图数据库（默认 NetworkX 内存图，可换 Neo4j）

查询时通过图遍历而非向量相似度，能实现多跳推理。比如" MCP 断线 → 影响哪些 Agent → 这些 Agent 依赖哪些服务"——这种问题 QMD 是答不了的。

典型使用场景

• 理解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下游"
• 从多篇文档中综合出共同结论
• 分析系统架构的影响链路

安装配置

pip install cognee

import cognee
cognee.config.set_llm_config({
    "provider": "ollama",
    "model": "qwen3:14b",
    "endpoint": "http://localhost:11434"  # 本地 oMLX/Ollama
})
await cognee.add("docs/")
await cognee.cognify()  # 提取知识图谱（慢，但只需一次）
results = await cognee.search("Hermes 和 MCP 的依赖关系")

✅ 优点

• 独特的关系推理能力，是 QMD 做不到的
• 内置图谱可视化 UI，直观看到知识关系网络
• 支持 PDF、DOCX、音频、图片等多种格式
• 答案相关性在关系推理类问题上达到 92.5%

❌   缺点

• 索引速度慢，每篇文档都要跑 LLM 提取实体，约比 QMD 慢 5–10 倍
• 查询延迟较高（图遍历 200ms–2s）
• 对简单的文档检索需求属于"杀鸡用牛刀"

实体提取是 Cognee 的核心步骤，必须调用 LLM，但支持本地 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 专注于时序感知记忆——它不仅记住"说了什么"，还记住"什么时候说的、这条信息是否已被更新覆盖"。2026 年与 LangGraph 深度整合后关注度大增。

典型使用场景

• "上周我说用 Redis，这周改成了 SQLite，以最新的为准"
• 追踪项目决策的演化历史（某个技术方案经历了几次变更）
• 需要时间线推理的复杂对话系统

本地部署

docker compose up  # 拉起 Postgres + pgvector + Zep 服务

LOCOMO 基准测试得分 75.14%，低于 agentmemory，但时序推理是其独有优势。

✅ 优点

• 时序追踪是独特能力，其他工具都没有
• 2026 年 LangGraph 官方集成，生态好
• 企业级设计，支持大规模部署

❌   缺点

• 需要 Postgres + pgvector，部署比较重
• 对纯 Coding Agent 场景价值有限（agentmemory 更合适）

对比总览

功能与技术对比

本地部署友好度

检索精度对比

各工具使用不同评测基准，数字不可直接横向比较，仅供参考。

怎么选？场景决策树

怎么选？场景决策树

推荐的组合方案

对于 OpenClaw / Hermes 的个人开发者，仙踪问道团队在实际部署中验证了一个三层搭配方案：

第一层用 agentmemory，自动捕获 Agent 行为历史，零干预，关掉不管它，它默默在后台记录所有的技术决策和操作。

第二层用 QMD，把重要的技术笔记、项目规范写成 Markdown，Agent 就能随时检索这些知识库。两个工具都作为 MCP Server 挂载，互不干扰，一个管"做过什么"，一个管"知道什么"。

项目复杂度上去之后——代码库有好几个微服务、模块之间依赖关系复杂——再加 Cognee，引入图谱推理能力。三层就齐了：行为记忆 + 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"不是技术做不到，而是缺少一个中间层——一个能在会话之外持久化知识、跨会话注入上下文的记忆系统。开源社区给的这六款工具，就是在补这一层。它们全部开源免费、全都可以本地运行、数据留在自己的机器上。

附录：关键术语

• MCP（Model Context Protocol）：Anthropic 推出的开放协议，允许 LLM 通过标准接口调用外部工具和服务。agentmemory、QMD 等工具均提供 MCP Server，可直接挂载到 Hermes/OpenClaw
• BM25：经典全文检索算法，基于词频和逆文档频率打分，速度快
• 向量检索：将文本转化为高维数字向量，基于语义相似度检索
• Reranker：对初步检索结果重新打分排序的模型
• 知识图谱：以节点（实体）和边（关系）表示知识的图结构，支持多跳推理
• LongMemEval-S：专门评测 AI Agent 跨会话长期记忆能力的标准基准测试集