AI Agent 今天能解決複雜問題，明天卻可能要求你重新解釋一半背景。這正是「智力」與「記憶」之間的差距。
更好的模型能更深推理，更大的上下文窗口能容納更多當下資訊，但兩者都無法自動把「有用的部分」帶進下一次工作。記憶系統的作用，正是讓 Agent 能夠把事實、偏好、決策、經驗與教訓延續下去，而不是每次從零開始。
當單一 Agent 變成多個 Agent 時，記憶就不再是錦上添花，而是架構的一部分。
一、什麼是真正有用的 Agent 記憶？
可以簡單理解為三層：
- 桌面（Desk）：當下眼前的資訊
- 筆記本（Notebook）：可長期保存的偏好、重要事實、決策與教訓
- 檔案庫（Archive）：可搜索的更大歷史資料體
如果運行多個 Agent，還需要「共享工作區」，讓選定知識可被多個 Agent 使用。
關鍵差異在於：對話紀錄只是「發生了什麼」；有用的記憶系統則幫助 Agent「找到現在真正需要的那部分」。
二、三個最重要的決策
選擇記憶系統時，不必一開始就深入研究所有架構，可先回答三個問題：
-
記憶要存在哪裡？
本地／自架 vs 託管雲端。本地方案擁有更高資料控制權，也能讓 Agent 協助維護；託管方案上手更快，但需接受服務商的架構與限制。 -
Agent 如何找到正確記憶？
單純存起來不夠。如果每次都要重讀數千則舊訊息，效率極低。好的系統會建立檢索層，先定位有用部分，再按需載入細節。OpenViking 的 L0（摘要）→ L1（概覽）→ L2（全文）分層載入，是典型例子。 -
誰可以使用這些記憶？
單一 Agent 時問題較小；多 Agent 時就很關鍵。部分知識應專屬於單一 Agent 或用戶，部分則可刻意共享。控制權與隔離能力，往往比「能不能記」更重要。
三、值得認識的 10 個記憶系統
目前市場上使用「記憶」一詞的項目很多，以下 10 個較具代表性（非排名）：
| 系統 | 簡要描述 |
|---|---|
| Mem0 | 通用記憶層，支援本地與託管路徑 |
| Cognee | 以知識圖譜為中心的記憶 |
| Graphiti | 處理隨時間變化事實與關係的時序圖譜記憶 |
| Supermemory | 記憶／上下文引擎，支援本地與託管 |
| OpenViking | 本地優先的上下文資料庫，具備分層檢索 |
| Letta | 有狀態 Agent 平台，長期記憶是架構一部分 |
| Hindsight | 聚焦學習、反思與證據變化的記憶 |
| memU | 跨 Agent、會話與裝置的共享個人記憶 |
| MemOS | 更廣的記憶作業系統概念，支援可重用與演進技能 |
| ReMe | 可讀、可編輯、本地優先的記憶 |
多數系統都提供開源或無訂閱的軟體路徑，讓用戶可以自行部署，避免額外的記憶服務月費。
四、專業觀察
隨著 Hermes 等 Agent 框架支援多 Bot／多 Agent 協作，記憶已從「附加功能」變成系統設計的核心。本地優先、可檢視、可控制存取的方案，正成為重視資料主權與長期專案用戶的偏好。
選擇時不應只看功能清單長短，而應先釐清「存在哪裡、如何檢索、誰可以使用」。回答這三個問題後，選項會大幅收窄。
結語
更強的模型決定 Agent「現在能做什麼」；記憶則決定「系統能保留多少有用成果」。當多個 Agent 開始在昨日工作的基礎上繼續推進時，記憶就不再是之後才加的零件，而是系統本身的一部分。
參考來源
- Hermes Release Watch（@HermesWatcher）深度分析
- OpenViking、Mem0、Letta 等相關開源項目文件