2026 最好的 AI Agent Memory 框架推薦（附 GitHub 排名）

2024 年 Agent 還靠「把聊天記錄塞進 System Prompt」硬撐上下文；到 2026 年 8 月，獨立記憶層已成生產級 Agent 的標配——會話結束資訊不丟、跨天能召回使用者偏好、多 Agent 共享同一知識圖譜。

Mem0、Cognee、Zep/Graphiti、Letta、LangMem——這五套框架幾乎涵蓋了 GitHub 上 Agent Memory 賽道的頭部儲存庫。但它們不是同一類產品：有的是可插拔記憶中介層，有的是時序知識圖譜，有的是帶自編輯能力的 Agent 執行環境。

這篇按真實整合體驗 + GitHub 社群熱度給出 2026 年排名，不追求「誰論文分最高」，而是回答：你的 Agent 明天該接哪套記憶？

一、排名方法論：Stars 只是起點

市面上的「Agent Memory 排名」常犯兩個錯：只比 GitHub Stars，或只比 LoCoMo 基準分。實際選型要看五個維度：

• 記憶模型：純向量、混合檢索、時序知識圖譜，還是 OS 式分層（工作/歸檔/核心）
• 整合難度：pip install 即用，還是要自建 Postgres + 向量庫 + 圖譜
• 多租戶與隔離：user_id / agent_id / session_id 作用域是否清晰
• 時序與演化：能否回答「使用者上週的偏好是什麼」「事實何時被推翻」
• 生產運維：託管服務、自託管 Docker、可觀測性與資料匯出

權重上，2026 年我們把 整合難度（30%） 與 記憶模型匹配度（30%） 放在最前——因為大多數團隊不是缺論文，而是缺兩週內能上線的方案。GitHub Stars 占 20%，反映社群成熟度與 Issue 回應；基準與口碑占 20%。

Stars 資料截至 2026 年 8 月 7 日，取自各專案 GitHub 主頁，會隨版本迭代變化。

二、GitHub Stars 總榜一覽

三、#1 Mem0：通用記憶層的預設答案

GitHub：mem0ai/mem0 · ~62k Stars · Apache-2.0 · 可選託管 mem0.ai

Mem0（讀作 mem-zero）是 2026 年 Agent Memory 賽道的「PostgreSQL 時刻」——不綁定特定 Agent 框架，透過 add / search API 給任意 LLM 應用加長期記憶。2026 年 4 月發布的新演算法在 LoCoMo 上達到 92.5，LongMemEval 94.4，且單次檢索 token 控制在 ~7K。

優勢

• 整合最快：Python/JS SDK，支援 20+ 向量後端（Qdrant、pgvector、Redis 等）
• 多作用域：user_id、agent_id、run_id、app_id 四級隔離
• 框架適配廣：官方整合 LangGraph、CrewAI、AutoGen、OpenAI Agents SDK
• 社群最大：Issue/範例/教學最豐富，踩坑成本低

短板

• 時序推理不如 Zep 原生——需依賴圖譜層擴展
• 複雜關係查詢（「A 和 B 的共同專案」）弱於專用圖譜引擎
• 託管版與自託管功能差需對照文件

典型程式碼（Python）：

from mem0 import Memory
m = Memory()
m.add("用户偏好深色模式，常用 TypeScript", user_id="u42")
hits = m.search("技术栈偏好", user_id="u42")

四、#2 Cognee：知識圖譜 + MCP 的開源記憶平台

GitHub：topoteretes/cognee · ~30k Stars · Apache-2.0 · v1.0 記憶 API（remember / recall / improve）

Cognee 把「入庫 → 實體抽取 → 建圖 → 向量嵌入」做成一條流水線，強調自託管知識圖譜。2026 年亮點是內建 MCP Server——Cursor、Claude Code、OpenClaw 可直接讀寫專案記憶，無需寫膠水程式碼。

優勢

• 圖譜 + 向量統一：Neo4j / Kuzu / NetworkX + Qdrant / Postgres 可換後端
• Session → 永久記憶橋接：improve() 把會話蒸餾進圖譜
• 編碼 Agent 場景成熟：文件、決策、修復記錄跨 session 召回
• 增長迅猛：Stars 一年翻倍，生態外掛跟進快

短板

• 首次 cognify 建圖有算力與延遲成本
• 運維複雜度高於 Mem0 純向量方案
• 多租戶企業特性仍在快速迭代

五、#3 Zep / Graphiti：時序知識圖譜專家

GitHub：getzep/graphiti（引擎）+ getzep/zep（託管產品）· Graphiti ~27k Stars

Zep 的論文核心是雙時間軸（bi-temporal）知識圖譜：每條事實帶「有效時間」與「錄入時間」，Agent 能回答「上個月使用者還喜歡 React 嗎？」這類演化問題。Graphiti 是開源引擎，Zep Cloud 是企業託管層。

優勢

• 時序查詢第一梯隊：LongMemEval 等基準上關係型召回表現突出
• 事實失效與更新：自動標記過時邊，減少「記憶幻覺」
• 企業合規：託管版 SOC2、BYOK 等選項

短板

• 整合與概念學習曲線高於 Mem0
• 延遲與 token 開銷通常更大（圖譜遍歷 + 重排）
• 簡單「使用者畫像 KV」場景顯得過重

六、#4 Letta：記憶與 Agent 執行環境合一

GitHub：letta-ai/letta · ~24k Stars · 前身 MemGPT（UC Berkeley）· Apache-2.0

Letta 把記憶做成作業系統式分層：核心記憶（core memory）由 Agent 透過工具自行編輯，歸檔記憶在上下文外持久化，必要時換入工作區。2025 年底 Letta Code 引入 Skill Learning——Agent 把重複任務沉澱為 Markdown 技能檔案並 git 版本管理。

優勢

• 自編輯記憶：Agent 主動整理 core memory，適合長週期自治任務
• 執行環境 + 記憶一體：不必先選框架再拼記憶層
• 睡眠時計算（sleep-time compute）：背景壓縮與反思，減輕線上 token 壓力

短板

• 平台屬性強，「只想要記憶庫」的團隊會覺得重
• 自託管需 Docker + Postgres，運維門檻高於庫形態
• 時序有效性視窗不如 Graphiti 原生

七、#5 LangMem：LangGraph 原生長記憶

GitHub：langchain-ai/langmem · ~1.5k Stars · MIT

Stars 不多，但在 已全面 LangGraph 化 的團隊裡，LangMem 往往是阻力最小的選擇：記憶直接寫入 LangGraph Store，與 checkpoint、thread_id 共享基礎設施，支援程序性記憶（procedural）與語義記憶抽取。

優勢

• 零額外服務（在已有 LangGraph 部署前提下）
• 與圖狀態一致：記憶更新可納入同一事務語義
• 輕量：庫形態，適合邊緣與私有化

短板

• 未用 LangGraph 則「為記憶換框架」不划算
• 進階圖譜與時序能力需自行擴展
• 社群規模與第三方範例少於 Mem0

八、場景選型矩陣

九、整合模式：別在 Agent 裡硬塞全文歷史

無論選哪套框架，推薦遵循三層架構（詳見 個人 AI Agent 架構三要素）：

1. 工作記憶：目前 thread 的最近 N 輪對話，放上下文視窗
2. 檢索記憶：Mem0/Cognee/Zep 召回的片段，經重排後注入 prompt
3. 程序性記憶：技能檔案、SOP、Letta Skills——描述「怎麼做」而非「發生了什麼」

十、組合策略

獨立開發者 / 小產品

• Mem0 + SQLite/pgvector：單使用者或百級租戶夠用
• 編碼 Agent 加 Cognee MCP，與 Cursor 共用專案記憶

成長型團隊

• 線上對話：Mem0 託管 或 Zep Cloud
• 內部文件：Cognee 自建圖譜，Agent 統一 recall

企業研發

• 合規與稽核：Zep Enterprise + 私有向量庫
• 研發 Agent：LangMem 納入現有 LangGraph 平台
• 長期自治任務：Letta 獨立池化部署

FAQ

2026 年最好的 Agent Memory 框架是哪個？

綜合 GitHub 生態、整合速度與通用場景，Mem0 排名第一。知識圖譜與 MCP 選 Cognee；時序與偏好演化選 Zep/Graphiti；自治長運行 Agent 選 Letta；已用 LangGraph 選 LangMem。

Mem0 和 Zep 怎麼選？

Mem0 勝在「兩週內上線」與多後端靈活性；Zep 勝在「事實如何隨時間變化」的查詢與圖譜推理。簡單使用者畫像用 Mem0；CRM、訂閱狀態、偏好變遷用 Zep。

Cognee 和 Mem0 重疊嗎？

有重疊，但重心不同：Mem0 是輕量記憶 API；Cognee 是文件→圖譜流水線 + MCP。做 RAG 升級版、編碼專案記憶優先 Cognee；做聊天產品使用者記憶優先 Mem0。

Letta 是記憶庫還是 Agent 框架？

兩者皆是。Letta 提供 Agent 執行環境與 OS 式記憶管理；若你已有 LangGraph/CrewAI 編排，通常選 Mem0/Cognee 作外掛記憶更合適。

GitHub Stars 高就一定更好嗎？

不一定。Stars 反映社群熱度與試用門檻，不反映與你業務模型的匹配度。LangMem Stars 少但在 LangGraph 棧內可能是最優解。

結語

2026 最好的 AI Agent Memory 框架——短期答案：Mem0 第一，Cognee 第二（按 Stars 與綜合落地體驗）。但長期看，沒有單一贏家：時序圖譜、編碼 Agent、LangGraph 原生各有一條最優路徑。

選型記住三句話：

1. 先定記憶問題類型（畫像 / 文件 / 時序 / 自治），再選框架
2. 能庫就不先上平台，驗證 PMF 後再遷託管
3. 記憶服務要獨立部署，與 Agent 執行環境解耦，便於擴縮容

Agent 工具鏈選型可參考 2026 AI 程式設計工具排名；RAG 文件解析見 PDF Parser 排行榜。

相關閱讀

• 個人 AI Agent 架構三要素：記憶、工具與執行環境
• 2026 最好的 AI 程式設計工具排名
• 最好的 PDF Parser 排行榜（2026）
• 大模型 API 定價、規格與效能選型指南

Stars 與功能以各專案 GitHub 與官網為準。最後更新：2026 年 8 月 7 日。