Agent Memory 细分选型矩阵 · llm-wiki

已有 agent-memory-project-map 做了完整横向地图。这页进一步按“选型问题”拆：你要给 coding agent、产品应用、企业平台还是可审计知识库加记忆。

GitHub 当前核验

截至 2026-06-11 通过 GitHub API 重新核验：

项目	仓库	最近 push	stars	主语言	当前信号
claude-mem	https://github.com/thedotmack/claude-mem	2026-06-11	81k	JavaScript	从 Claude Code 扩展到多 Agent 的 persistent context
agent-recall	https://github.com/mnardit/agent-recall	2026-04-03	12	Python	小而专注，SQLite + MCP scope memory
agentmemory	https://github.com/rohitg00/agentmemory	2026-06-10	22k	TypeScript	跨 coding agent，本地 worker + MCP/REST
powermem	https://github.com/oceanbase/powermem	2026-06-10	703	Python	应用级 memory middleware，OceanBase/SeekDB 路线
memsearch	https://github.com/zilliztech/memsearch	2026-06-01	1.9k	Python	Markdown truth + Milvus shadow index
tencentdb-agent-memory	https://github.com/TencentCloud/TencentDB-Agent-Memory	2026-06-04	5.2k	TypeScript	OpenClaw/Hermes 本地分层记忆

按需求选

需求	推荐	为什么
Claude Code 用户马上要跨会话记忆	claude-mem	hook 接入自然，自动采集和注入路径成熟
多个 coding agent 共用本地记忆	agentmemory 或 memsearch	agentmemory 偏服务/工具面，memsearch 偏 Markdown 可审计
多项目/多客户 scoped facts	agent-recall	scope hierarchy、bitemporal slots、MCP instructions 更明确
产品应用内用户记忆	powermem	SDK/API/MCP/Dashboard、provider 和存储适配完整
OpenClaw/Hermes 长任务和 persona	tencentdb-agent-memory	L0→L3 语义金字塔 + context offload
人类要能 review/修正记忆	memsearch	Markdown source-of-truth，索引可重建

架构差异

维度	claude-mem	agent-recall	agentmemory	powermem	memsearch	tencentdb-agent-memory
写入边界	hook 被动采集	Agent 主动 MCP 写入	hooks/REST/MCP 多入口	SDK/API 显式写入	hook 追加 Markdown	hook 捕获 + 分层 pipeline
真相层	SQLite observations	SQLite graph/slots	iii-engine SQLite KV	OceanBase/SeekDB/PG/SQLite	Markdown files	JSONL/files + SQLite/TCVDB
索引层	FTS5 + Chroma	FTS5/LIKE	BM25 + vector + graph	vector + FTS + sparse + graph	Milvus dense + sparse	SQLite/TCVDB hybrid
LLM 成本	压缩核心	briefing 可选/cache	默认零 LLM	抽取/评估核心	维护摘要/可选	L0→L3 管线核心
注入策略	SessionStart 自动上下文	scoped briefing	默认可关闭注入	应用决定	search/expand 渐进	before_prompt_build + offload

关键取舍

自动记忆 vs 主动记忆：claude-mem、agentmemory、tencentdb-agent-memory 覆盖率高但需要去噪；agent-recall 结构更清楚但依赖 Agent 主动保存。
数据库 truth vs Markdown truth：数据库查询快、结构强；Markdown 可 diff、可审计、可手改。memsearch 是 Markdown truth 的代表。
零 LLM 默认 vs AI 压缩：agentmemory 默认保护 token 成本；powermem 和 tencentdb-agent-memory 更依赖 LLM 抽取换取语义质量。
个人插件 vs 服务化层：claude-mem 贴近宿主；powermem 更像应用基础设施；agentmemory 在中间。

避坑条件

记忆系统必须区分 truth store 和 shadow index；不要把 embedding collection 当唯一事实。
自动注入默认要保守，否则会消耗 coding agent 上下文窗口。
多 Agent 共享记忆必须有 scope / tenant / project 边界。
“支持 MCP”不等于写入策略成熟；要看 tool instructions、权限 enforcement 和恢复模型。