Mem0 vs Zep vs TencentDB Agent Memory：2026 最全橫向評測

2026 年上半年，Agent Memory（智慧體記憶層）從「可選外掛」變成了和向量資料庫、模型路由並列的基礎設施。當你的 Coding Agent 要跨會話記住使用者偏好、專案約束、失敗過的 CI 設定，或者客服 Agent 要區分「客戶上個月說過什麼」與「現在的事實」，單靠把聊天記錄塞進 context window 已經不夠用了。

本文橫向評測三個 2026 年討論度最高的方案：Mem0（開源 + 託管記憶層）、Zep（基於 Graphiti 的企業級時序知識圖譜）、TencentDB Agent Memory（騰訊開源的符號化短期 + 分層長期記憶）。評測維度涵蓋架構、檢索延遲、Token 經濟性、框架整合、合規與團隊治理——並給出可直接落地的選型決策樹。

* 各廠商公開 benchmark / 技術文章資料，實際效果因任務類型與資料規模而異。

為什麼 2026 年必須單獨選型 Memory 層

LLM 的 context window 在變大，但變大不等於記得住。生產環境裡常見的三類失敗：

1. 會話漂移：使用者三天前說過「只用 TestFlight 內測」，今天 Agent 又建議 App Store 正式版。
2. 工具日誌撐爆上下文：一次 xcodebuild 或 E2E 測試輸出數萬 token，擠掉真正有用的業務記憶。
3. 扁平 RAG 誤召回：向量庫把「已作廢的舊需求」和「當前 sprint 目標」一起檢索回來。

Memory 層的職責，是把跨會話狀態從 prompt 裡剝離出來，用結構化儲存 + 精準檢索回填——這和文件 RAG、以及我們在 DeepSeek Coding Agent 選型裡討論的「誰寫程式碼」是互補關係：模型負責推理，Memory 負責持久化上下文。

評測框架：五個硬指標

Mem0 / Zep / TencentDB 一句話定位

• Mem0：「給任意 Agent 加一層可插拔記憶」——開源 MIT，託管版按請求計費，2026 年 4 月新版演算法強調單遍 ADD 提取 + 多訊號融合檢索。
• Zep：「企業級 Context Lake」——開源引擎 Graphiti 構建雙時序知識圖譜，託管檢索目標 sub-200ms，擅長事實版本與溯源。
• TencentDB Agent Memory：「不靠更大視窗，靠更好的記憶結構」——Mermaid 符號化短期記憶 + L0→L3 長期金字塔，深度適配 OpenClaw 與國內雲端棧。

核心能力對照表

架構深潛：三種記憶哲學

Mem0：壓縮 + 多訊號檢索

Mem0 的設計哲學是「少動流水線，多動記憶層」：Agent 框架照舊 orchestrate，Mem0 在旁路做 extract → consolidate → retrieve。2026 年開源 README 強調的新演算法包括：

• Single-pass ADD-only 提取：一次 LLM 呼叫寫入，不原地覆寫，降低寫放大。
• Multi-signal retrieval：語義向量 + BM25 關鍵字 + 實體連結並行打分融合。
• Temporal Reasoning：對「現在住哪」「上週會議說了什麼」類查詢做時間感知排序。

託管版 Pro（$249/月）解鎖 Graph Memory 做實體關係追蹤；若你只需向量記憶，Growth $79 往往夠用。自託管可用 Docker Compose 起全套，適合已有 K8s 的團隊。

from mem0 import Memory
m = Memory()
m.add("使用者偏好 TestFlight 內測，不要上 App Store 正式版", user_id="u_42")
hits = m.search("發布渠道偏好？", user_id="u_42")

Zep：雙時序知識圖譜

Zep 的差異化在「事實會過期，但歷史不能丟」。Graphiti 為每條邊維護兩套時間：

• Valid time：事實在現實世界中何時為真；
• Transaction time：系統何時得知該事實。

當新資訊與舊事實矛盾時，舊邊被標記 invalid_at 而非刪除——Agent 既能答「客戶現在用什麼套餐」，也能答「三個月前說過什麼」。這對 B2B 客服、帳戶變更、合規審計極有價值。

代價是圖構建比單向量寫入更重：需要 LLM 做實體/關係抽取與衝突消解。Zep 託管把 p95 檢索壓在 200ms 以內；自託管 Graphiti 則需自己扛 Neo4j 運維與調優。

TencentDB：符號化短期 + L0–L3 長期

TencentDB Agent Memory 解決兩個常被忽視的痛點：

1. 單次超長任務：工具輸出透過 Context Offloading 寫到外部檔案，上下文裡只留高密度 Mermaid 狀態圖；需要細節時用 node_id 回溯原始日誌（grep 證據鏈完整）。
2. 跨會話團隊知識：對話逐層提煉為 L0 原始對話 → L1 原子事實 → L2 場景塊（Markdown）→ L3 使用者畫像，避免「不可逆暴力摘要」。

騰訊技術百科公布的 WideSearch 類實驗：Token 節省最高 61.38%，任務通過率相對提升 51.52%；PersonaMem 準確率從 48% 提到 76%。作為 OpenClaw 外掛可零配置啟用本地 SQLite 後端——對已在用 OpenClaw 編排遠端 Mac 任務的團隊，接入路徑最短。

框架整合與 OpenClaw 實測路徑

三者的整合摩擦差異很大：

Mem0：三行接入任意框架

Python / Node SDK，與 LangChain、AutoGen、自建 FastAPI 閘道均可對接。適合你在 OmniRoute 多模型閘道後面掛一個統一 Memory 服務，讓 Claude Code、Cursor BYOK、Reasonix 共用同一使用者畫像。

Zep：自帶 User / Thread 模型

SDK 內建使用者與會話管理，省掉一層自建。適合「一個使用者 ↔ 多個 Agent 執行緒」的企業助手；Graphiti 自託管則要自己實現這部分。

TencentDB：OpenClaw 一鍵外掛

README 提供 OpenClaw 與 Hermes Gateway（埠 8420）適配。典型路徑：OpenClaw Agent 在雲端 Mac上跑 xcodebuild / 測試腳本，Memory 外掛記住上次失敗的簽名設定與裝置 UDID——下次會話無需重複解釋。團隊級 Memory Hub（Chat Memory、Skill、Wiki、CodeGraph 四類資產）仍在快速迭代，適合願意參與開源共建的早期採用者。

成本、合規與運維

直接帳單（個人 / 小團隊，2026 年 8 月量級）

記憶提取本身要調 LLM——若走 AI 程式設計月成本裡的 DeepSeek Flash 路線，單次 add 可壓到釐級；用 Claude Opus 提取則記憶層可能比 Agent 主體還貴。務實做法：提取用小模型，檢索用向量/圖索引。

合規速覽

• Mem0：SOC 2 Type I、HIPAA BAA（企業）；適合北美醫療/金融試點。
• Zep：SOC 2；強調資料治理與 API 審計日誌。
• TencentDB：資料完全在自建環境；國內等保、私有化部署友好，海外團隊需自行評估網路與許可。

選型決策樹與組合建議

沒有「萬能記憶資料庫」。Mem0 勝在生態與接入速度，Zep 勝在時序正確性，TencentDB 勝在長任務符號化與 OpenClaw 本土整合。很多成熟團隊最終會組合使用：Zep 管客戶事實，Mem0 管開發者偏好，TencentDB 管 OpenClaw 單次任務的 Mermaid 狀態——透過統一 user_id 在閘道層關聯。

常見問題

Mem0 的 Graph Memory 和 Zep 有什麼本質區別？

Mem0 Pro 的圖更偏實體關係增強檢索；Zep/Graphiti 的圖是一等公民的資料模型，雙時序與無效化是核心語義。若你的查詢大量是「某關係在某時間段是否成立」，優先 Zep。

TencentDB 必須用騰訊雲嗎？

不必。預設 SQLite 本地即可完整跑通短期+長期記憶。TCVDB 是可選擴展，適合已有騰訊雲的團隊做大規模向量檢索。

能否只用 Redis / Postgres 自己造記憶？

可以，但你會重造提取、去重、時序、檢索融合輪子。Mem0/Zep/TencentDB 的價值在於把 Agent 記憶的坑踩過一遍。小原型 DIY；上生產建議站在巨人肩膀上。

和 RAG 文件庫怎麼分工？

文件庫（產品手冊、API spec）走 RAG；使用者對話沉澱、任務狀態、偏好走 Memory。兩者檢索結果在 prompt 組裝階段合併，避免一個向量庫包打天下。