Mem0 vs Zep vs TencentDB Agent Memory: полное сравнение 2026

В первой половине 2026 года Agent Memory (слой памяти агента) перестал быть «опциональным плагином» и стал инфраструктурой наравне с векторными БД и маршрутизацией моделей. Когда Coding Agent должен помнить предпочтения пользователя, ограничения проекта или неудачные CI-конфигурации между сессиями — или когда support-агент должен отличать «что клиент говорил в прошлом месяце» от «что верно сейчас» — одного запихивания чата в context window уже недостаточно.

В этой статье сравниваются три самых обсуждаемых решения 2026 года: Mem0 (open source + управляемый слой памяти), Zep (корпоративный временной граф знаний на Graphiti) и TencentDB Agent Memory (символическая краткосрочная + многоуровневая долгосрочная память от Tencent). Оцениваются архитектура, задержка retrieval, токен-экономика, интеграция с фреймворками, compliance и командное управление — плюс дерево решений для прямого применения.

* Публичные бенчмарки и технические статьи вендоров; фактический эффект зависит от типа задач и объёма данных.

Почему в 2026 году нужен отдельный слой Memory

Context window у LLM растёт, но больше ≠ лучше помнит. Три типичных сбоя в продакшене:

1. Дрейф сессии: Три дня назад пользователь сказал «только TestFlight beta», сегодня агент снова предлагает релиз в App Store.
2. Логи инструментов раздувают контекст: Один xcodebuild или E2E-тест выдаёт десятки тысяч токенов и вытесняет полезную бизнес-память.
3. Ложный recall плоского RAG: Векторная БД возвращает вместе «устаревшие старые требования» и «текущие цели спринта».

Задача слоя Memory — вынести межсессионное состояние из prompt, хранить структурированно и точно подставлять через retrieval — в дополнение к документному RAG и вопросу «кто пишет код» в нашем гайде по DeepSeek Coding Agent: модель рассуждает, Memory держит персистентный контекст.

Рамка оценки: пять жёстких метрик

Mem0 / Zep / TencentDB в одном предложении

• Mem0: «Подключаемая память для любого агента» — MIT open source, managed по запросам; алгоритм апреля 2026 делает акцент на single-pass ADD-извлечение + multi-signal fusion retrieval.
• Zep: «Enterprise Context Lake» — open-source движок Graphiti строит битемпоральный граф знаний; managed retrieval целится в sub-200ms, силён в версионировании фактов и provenance.
• TencentDB Agent Memory: «Не большее окно, а лучшая структура памяти» — символическая краткосрочная память Mermaid + пирамида L0→L3 долгосрочной, глубокая интеграция с OpenClaw и отечественным облачным стеком.

Сравнительная таблица возможностей

Архитектурный разбор: три философии памяти

Mem0: сжатие + multi-signal retrieval

Философия Mem0: «меньше трогать pipeline, больше — слой памяти» — фреймворки агентов orchestrate как прежде, Mem0 сбоку делает extract → consolidate → retrieve. Акценты OSS README 2026:

• Single-pass ADD-only извлечение: Один вызов LLM на запись, без перезаписи на месте — меньше write amplification.
• Multi-signal retrieval: Семантические векторы + BM25-ключевые слова + entity linking с параллельным слиянием скоров.
• Temporal Reasoning: Временно-осознанное ранжирование для «где они живут сейчас?» или «что говорили на встрече на прошлой неделе?»

Managed Pro ($249/мес) открывает Graph Memory для отслеживания связей сущностей; нужна только векторная память? Growth $79 часто хватает. Self-hosted через Docker Compose — идеально при уже имеющемся K8s.

from mem0 import Memory
m = Memory()
m.add("Пользователь предпочитает TestFlight beta, не App Store release", user_id="u_42")
hits = m.search("Предпочтение канала релиза?", user_id="u_42")

Zep: битемпоральный граф знаний

Отличие Zep: «факты устаревают, но историю терять нельзя». Graphiti ведёт два временных измерения на каждом ребре:

• Valid time: Когда факт был истинен в реальном мире;
• Transaction time: Когда система узнала факт.

При противоречии старое ребро помечается invalid_at, а не удаляется — агент отвечает и на «какой тариф у клиента сейчас?», и на «что он говорил три месяца назад?». Ценно для B2B support, смены аккаунтов, compliance-аудита.

Цена: построение графа тяжелее простой векторной записи — нужны LLM-извлечение сущностей/связей и разрешение конфликтов. Zep managed держит p95 retrieval под 200ms; self-hosted Graphiti — Neo4j и тюнинг на вас.

TencentDB: символическая краткосрочная + L0–L3 долгосрочная

TencentDB Agent Memory решает две часто игнорируемые боли:

1. Одна сверхдлинная задача: Вывод инструментов через Context Offloading в внешние файлы; в контексте только плотная диаграмма состояния Mermaid; детали по node_id с полной grep-цепочкой доказательств.
2. Межсессионные знания команды: Диалоги слой за слоем в L0 сырой диалог → L1 атомарные факты → L2 блоки сценариев (Markdown) → L3 профиль пользователя — без необратимой грубой суммаризации.

Опубликованные эксперименты Tencent типа WideSearch: до 61,38% экономии токенов, 51,52% относительный рост pass rate; точность PersonaMem с 48% до 76%. Как плагин OpenClaw — локальный SQLite без настройки; кратчайший путь для команд, уже оркестрирующих удалённые Mac-задачи через OpenClaw.

Интеграция с фреймворками и пути OpenClaw

Трение интеграции сильно различается:

Mem0: три строки в любой фреймворк

SDK Python / Node для LangChain, AutoGen или своего FastAPI-шлюза. Идеально повесить единый Memory-сервис за мультимодельным шлюзом OmniRoute, чтобы Claude Code, Cursor BYOK и Reasonix делили один профиль пользователя.

Zep: встроенная модель User / Thread

SDK с управлением пользователями и сессиями — на один слой меньше самописного кода. Подходит для корпоративных ассистентов «один пользователь ↔ несколько потоков агента»; self-hosted Graphiti требует реализовать это самим.

TencentDB: плагин OpenClaw в один клик

README покрывает OpenClaw и Hermes Gateway (порт 8420). Типичный путь: OpenClaw Agent запускает xcodebuild / тестовые скрипты на облачном Mac; плагин Memory помнит неудачную конфигурацию подписи и UDID устройства — в следующей сессии повторять не нужно. Team-level Memory Hub (Chat Memory, Skill, Wiki, CodeGraph) быстро развивается — для early adopters, готовых контрибьютить upstream.

Стоимость, compliance и эксплуатация

Прямой счёт (индивид / малая команда, август 2026)

Извлечение памяти само вызывает LLM — на маршруте DeepSeek Flash из нашей статьи о месячной стоимости AI-программирования один add стоит доли цента; извлечение Claude Opus может сделать слой памяти дороже самого агента. Прагматично: извлекать малым моделью, искать по векторному/графовому индексу.

Краткий обзор compliance

• Mem0: SOC 2 Type I, HIPAA BAA (enterprise); пилоты healthcare/finance в Северной Америке.
• Zep: SOC 2; акцент на data governance и audit-логи API.
• TencentDB: Данные полностью в вашей среде; дружелюбно к отечественному compliance и private deployment; зарубежные команды оценивают сеть и лицензии сами.

Дерево решений и комбинированные стратегии

Универсальной базы памяти нет. Mem0 силён в экосистеме и скорости внедрения, Zep — во временной корректности, TencentDB — в символизации длинных задач и нативной интеграции OpenClaw. Зрелые команды часто комбинируют: Zep для фактов о клиентах, Mem0 для предпочтений разработчиков, TencentDB для Mermaid-состояния разовых задач OpenClaw — связь через единый user_id на уровне шлюза.

Частые вопросы

Чем принципиально отличается Graph Memory Mem0 от Zep?

Граф Mem0 Pro в основном усиливает retrieval через связи сущностей; граф Zep/Graphiti — модель данных первого класса, где битемпоральность и инвалидация — ядро семантики. Много запросов «существовала ли связь в этот период?» → приоритет Zep.

Обязателен ли Tencent Cloud для TencentDB?

Нет. Локальный SQLite по умолчанию запускает краткосрочную и долгосрочную память end-to-end. TCVDB — опциональное расширение для крупномасштабного векторного retrieval у команд на Tencent Cloud.

Можно ли собрать память только на Redis / Postgres?

Можно, но придётся заново изобретать извлечение, дедупликацию, временную логику и fusion retrieval. Ценность Mem0/Zep/TencentDB — уже пройденные грабли памяти агента. DIY для прототипов; продакшен — на плечах гигантов.

Как разделить работу с RAG-хранилищем документов?

Документы (мануалы, API spec) — через RAG; накопленные диалоги, состояние задач, предпочтения — через Memory. Объединять на этапе сборки prompt — не отдавать всё одной векторной БД.