Mem0 vs Zep vs TencentDB Agent Memory：2026 最全横向评测

2026 年上半年，Agent Memory（智能体记忆层）从「可选插件」变成了和向量数据库、模型路由并列的基础设施。当你的 Coding Agent 要跨会话记住用户偏好、项目约束、失败过的 CI 配置，或者客服 Agent 要区分「客户上个月说过什么」与「现在的事实」，单靠把聊天记录塞进 context window 已经不够用了。

本文横向评测三个 2026 年讨论度最高的方案：Mem0（开源 + 托管记忆层）、Zep（基于 Graphiti 的企业级时序知识图谱）、TencentDB Agent Memory（腾讯开源的符号化短期 + 分层长期记忆）。评测维度覆盖架构、检索延迟、Token 经济性、框架集成、合规与团队治理——并给出可直接落地的选型决策树。

* 各厂商公开 benchmark / 技术文章数据，实际效果因任务类型与数据规模而异。

为什么 2026 年必须单独选型 Memory 层

LLM 的 context window 在变大，但变大不等于记得住。生产环境里常见的三类失败：

1. 会话漂移：用户三天前说过「只用 TestFlight 内测」，今天 Agent 又建议 App Store 正式版。
2. 工具日志撑爆上下文：一次 xcodebuild 或 E2E 测试输出数万 token，挤掉真正有用的业务记忆。
3. 扁平 RAG 误召回：向量库把「已作废的旧需求」和「当前 sprint 目标」一起检索回来。

Memory 层的职责，是把跨会话状态从 prompt 里剥离出来，用结构化存储 + 精准检索回填——这和文档 RAG、以及我们在 DeepSeek Coding Agent 选型里讨论的「谁写代码」是互补关系：模型负责推理，Memory 负责持久化上下文。

评测框架：五个硬指标

Mem0 / Zep / TencentDB 一句话定位

• Mem0：「给任意 Agent 加一层可插拔记忆」——开源 MIT，托管版按请求计费，2026 年 4 月新版算法强调单遍 ADD 提取 + 多信号融合检索。
• Zep：「企业级 Context Lake」——开源引擎 Graphiti 构建双时序知识图谱，托管检索目标 sub-200ms，擅长事实版本与溯源。
• TencentDB Agent Memory：「不靠更大窗口，靠更好的记忆结构」——Mermaid 符号化短期记忆 + L0→L3 长期金字塔，深度适配 OpenClaw 与国内云栈。

核心能力对照表

架构深潜：三种记忆哲学

Mem0：压缩 + 多信号检索

Mem0 的设计哲学是「少动流水线，多动记忆层」：Agent 框架照旧 orchestrate，Mem0 在旁路做 extract → consolidate → retrieve。2026 年开源 README 强调的新算法包括：

• Single-pass ADD-only 提取：一次 LLM 调用写入，不原地覆写，降低写放大。
• Multi-signal retrieval：语义向量 + BM25 关键词 + 实体链接并行打分融合。
• Temporal Reasoning：对「现在住哪」「上周会议说了什么」类查询做时间感知排序。

托管版 Pro（$249/月）解锁 Graph Memory 做实体关系追踪；若你只需向量记忆，Growth $79 往往够用。自托管可用 Docker Compose 起全套，适合已有 K8s 的团队。

from mem0 import Memory
m = Memory()
m.add("用户偏好 TestFlight 内测，不要上 App Store 正式版", user_id="u_42")
hits = m.search("发布渠道偏好？", user_id="u_42")

Zep：双时序知识图谱

Zep 的差异化在「事实会过期，但历史不能丢」。Graphiti 为每条边维护两套时间：

• Valid time：事实在现实世界中何时为真；
• Transaction time：系统何时得知该事实。

当新信息与旧事实矛盾时，旧边被标记 invalid_at 而非删除——Agent 既能答「客户现在用什么套餐」，也能答「三个月前说过什么」。这对 B2B 客服、账户变更、合规审计极有价值。

代价是图构建比单向量写入更重：需要 LLM 做实体/关系抽取与冲突消解。Zep 托管把 p95 检索压在 200ms 以内；自托管 Graphiti 则需自己扛 Neo4j 运维与调优。

TencentDB：符号化短期 + L0–L3 长期

TencentDB Agent Memory 解决两个常被忽视的痛点：

1. 单次超长任务：工具输出通过 Context Offloading 写到外部文件，上下文里只留高密度 Mermaid 状态图；需要细节时用 node_id 回溯原始日志（grep 证据链完整）。
2. 跨会话团队知识：对话逐层提炼为 L0 原始对话 → L1 原子事实 → L2 场景块（Markdown）→ L3 用户画像，避免「不可逆暴力摘要」。

腾讯技术百科公布的 WideSearch 类实验：Token 节省最高 61.38%，任务通过率相对提升 51.52%；PersonaMem 准确率从 48% 提到 76%。作为 OpenClaw 插件可零配置启用本地 SQLite 后端——对已在用 OpenClaw 编排远程 Mac 任务的团队，接入路径最短。

框架集成与 OpenClaw 实测路径

三者的集成摩擦差异很大：

Mem0：三行接入任意框架

Python / Node SDK，与 LangChain、AutoGen、自建 FastAPI 网关均可对接。适合你在 OmniRoute 多模型网关后面挂一个统一 Memory 服务，让 Claude Code、Cursor BYOK、Reasonix 共用同一用户画像。

Zep：自带 User / Thread 模型

SDK 内置用户与会话管理，省掉一层自建。适合「一个用户 ↔ 多个 Agent 线程」的企业助手；Graphiti 自托管则要自己实现这部分。

TencentDB：OpenClaw 一键插件

README 提供 OpenClaw 与 Hermes Gateway（端口 8420）适配。典型路径：OpenClaw Agent 在云端 Mac上跑 xcodebuild / 测试脚本，Memory 插件记住上次失败的签名配置与设备 UDID——下次会话无需重复解释。团队级 Memory Hub（Chat Memory、Skill、Wiki、CodeGraph 四类资产）仍在快速迭代，适合愿意参与开源共建的早期采用者。

成本、合规与运维

直接账单（个人 / 小团队，2026 年 8 月量级）

记忆提取本身要调 LLM——若走 AI 编程月成本里的 DeepSeek Flash 路线，单次 add 可压到厘级；用 Claude Opus 提取则记忆层可能比 Agent 主体还贵。务实做法：提取用小模型，检索用向量/图索引。

合规速览

• Mem0：SOC 2 Type I、HIPAA BAA（企业）；适合北美医疗/金融试点。
• Zep：SOC 2；强调数据治理与 API 审计日志。
• TencentDB：数据完全在自建环境；国内等保、私有化部署友好，海外团队需自行评估网络与许可。

选型决策树与组合建议

没有「万能记忆数据库」。Mem0 胜在生态与接入速度，Zep 胜在时序正确性，TencentDB 胜在长任务符号化与 OpenClaw 本土集成。很多成熟团队最终会组合使用：Zep 管客户事实，Mem0 管开发者偏好，TencentDB 管 OpenClaw 单次任务的 Mermaid 状态——通过统一 user_id 在网关层关联。

常见问题

Mem0 的 Graph Memory 和 Zep 有什么本质区别？

Mem0 Pro 的图更偏实体关系增强检索；Zep/Graphiti 的图是一等公民的数据模型，双时序与无效化是核心语义。若你的查询大量是「某关系在某时间段是否成立」，优先 Zep。

TencentDB 必须用腾讯云吗？

不必。默认 SQLite 本地即可完整跑通短期+长期记忆。TCVDB 是可选扩展，适合已有腾讯云的团队做大规模向量检索。

能否只用 Redis / Postgres 自己造记忆？

可以，但你会重造提取、去重、时序、检索融合轮子。Mem0/Zep/TencentDB 的价值在于把 Agent 记忆的坑踩过一遍。小原型 DIY；上生产建议站在巨人肩膀上。

和 RAG 文档库怎么分工？

文档库（产品手册、API spec）走 RAG；用户对话沉淀、任务状态、偏好走 Memory。两者检索结果在 prompt 组装阶段合并，避免一个向量库包打天下。