你知道吗，让 Agent记住你的项目上下文、技术决策和工作习惯，这件事完全可以不花一分钱、不连任何云服务、数据全留在自己电脑上就做到。
每次打开 Hermes 或 OpenClaw 新建会话，你都得重新解释一遍项目用了什么框架、上次修 MCP 断线用的什么命令、为什么选 jose 而不是 jsonwebtoken。不是模型不够聪明，是上下文窗口本质上是"一次性"的——会话结束，记忆也跟着清零。
开源社区早就盯上了这个问题。过去一年里，至少有六款专门针对 Agent记忆扩展的开源工具冒了出来——全都开源免费、全都可以本地部署、而且功能一点不糊弄。
这篇文章就带你把这六款工具逐个看一遍：它们怎么工作的、怎么安装配置、各自有什么长处和短板、你的场景最适合哪个。
## 先搞清你需要哪种"记忆"

在聊具体工具之前，有一个关键区分要先说明白——AI 助手需要记的东西，其实分两种：

|类型|问的问题|举例|
|:-:|:-:|:-:|
|行为/情节记忆|"我（Agent）上次怎么操作的？"|"上次修复 MCP 断线用了什么命令？"|
|知识/文档记忆|"我知道什么资料？"|"GEO 写作规范第三条怎么说的？"|
前者记录 Agent 的操作历史，后者检索已有的文档知识库。两类需求适合不同的工具，最好的方案是搭配使用。
## 一、行为记忆类：让 Agent 记住"我做过什么"

### 1. agentmemory

GitHub：rohitg00/agentmemory（23,000+ Stars，MIT 协议）
agentmemory 是目前关注度最高的 AI 编程 Agent 持久记忆方案。它的核心卖点就一个词：零干预。Agent 执行工具调用时，它通过 Hook 机制自动静默捕获所有操作，你什么都不用管。
>**工作原理**

每次 Agent（Hermes、Claude Code 等）调用工具时，agentmemory 捕获一条 Observation 记录：
```
{
  "toolName": "Write",
  "toolInput": { "file_path": "src/auth.ts" },
  "toolOutput": "OK",
  "sessionId": "ses_abc123",
  "project": "my-hermes-app",
  "cwd": "/Users/you/projects/my-hermes-app"
}
```
这些记录经过 iii-engine 压缩后存入本地 SQLite。下次新建会话时，agentmemory 自动检索相关历史上下文并注入进去。
>**检索机制：三流融合**

这是 agentmemory 最值得细说的地方。它不是简单地做关键词搜索——它同时跑三路：BM25 全文检索、向量语义检索、知识图谱遍历，最后通过 RRF（Reciprocal Rank Fusion）融合排序。在 LongMemEval-S 基准测试上，召回率做到了 95.2%，而 mem0 只有 68.5%、Letta/MemGPT 是 83.2%。
>**典型使用场景**

- 记住项目里用了哪个库以及为什么选它（"为什么用 jose 而不是 jsonwebtoken"）
- 跨会话继续上次没做完的任务
- 自动规避曾经踩过的坑（"这个 CORS 问题上次怎么解决的"）
- 多个 Agent 实例（Hermes + OpenClaw）共享同一份技术决策历史

>**安装配置**

```
npm install -g @agentmemory/agentmemory
agentmemory connect hermes     # 接入 Hermes
agentmemory connect openclaw   # 接入 OpenClaw
```
在 ~/.hermes/config.yaml 中添加 MCP 服务配置即可。实时监控面板访问 [http://localhost:3113，可以看到记忆构建过程、知识图谱和](http://localhost:3113%EF%BC%8C%E5%8F%AF%E4%BB%A5%E7%9C%8B%E5%88%B0%E8%AE%B0%E5%BF%86%E6%9E%84%E5%BB%BA%E8%BF%87%E7%A8%8B%E3%80%81%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E5%92%8C/) Session Replay。
>✅** 优点**

- 零干预，完全自动捕获，不需要手动维护任何文件
- 零外部依赖，纯 SQLite，不需要 Docker 或额外服务
- 多 Agent 共享，一个服务同时服务多个 Agent 实例
- MIT 协议，完全本地运行，不连任何外部 LLM
- 召回精度在同类工具中最高（95.2% R@5）

>❌  **缺点**

- 仅对接 Coding Agent，不适合通用 LLM 应用的用户画像场景
- 默认 Embedding 模型（all-MiniLM-L6-v2，80MB）对中文支持一般，中文项目建议替换为 Qwen3-Embedding
- 依赖 iii-engine 版本锁定（v0.11.2），升级需谨慎

值得注意的是，agentmemory 的记忆写入和检索均不调用任何 LLM，完全本地计算。这是它和 mem0 最大的区别之一。
### 2. mem0

GitHub：mem0ai/mem0（41,000+ Stars，Apache 2.0）
mem0 和 agentmemory 定位不同。它面向的是 LLM 应用（聊天机器人、个性化助手），从对话内容中自动提取结构化用户事实——偏好、习惯、身份信息——构建用户画像。
>**工作原理**

每次对话结束后，mem0 调用 LLM 分析对话内容，提取出类似"这个用户喜欢 TypeScript、不喜欢冗余注释"的事实，写入向量数据库。下次对话时检索注入，实现个性化。
>**典型使用场景**

- 记住用户的编码风格偏好（"喜欢函数式风格，不用 class"）
- 跨会话保持用户画像（"这个用户在做 Electron 项目"）
- 构建面向终端用户的个性化 AI 产品

>**本地部署**

```
docker run -p 6333:6333 qdrant/qdrant  # 需要本地向量数据库
pip install mem0ai
``````



>✅** 优点**

- 自动从对话提取事实，无需手动总结
- 支持 MCP 接入，可集成到 Hermes/OpenClaw
- 生态最成熟（YC 投资，14M+ 下载）

>❌  **缺点**

- 部署较重：需要 Qdrant 或 Chroma 等向量数据库（额外 Docker 服务）
- 每次写入记忆时必须调用 LLM 提取事实（支持本地 Ollama/oMLX）
- 与 agentmemory 定位不同，不适合替代后者

## 二、知识检索类：让 Agent 找到"我存了什么"

### 3. QMD

GitHub：Shopify CEO Tobi Lütke 发起，OpenClaw 生态核心工具（MIT 协议）
QMD（Quick Markdown Database）是专为 OpenClaw / Hermes 设计的本地 Markdown 知识库搜索引擎。它解决的问题不是"上次怎么做的"，而是"我的笔记里写了什么"。
>**工作原理**

QMD 对你 workspace 目录下的所有 Markdown 文件建立双索引——BM25 倒排索引加向量索引——查询时两路打分，再经 Reranker 融合排序，返回最相关的文本段落。三个本地模型自动下载，总共约 2.3GB：

|模型角色|默认模型|大小|
|:-:|:-:|:-:|
|Embedding|jina-embeddings-v3 (GGUF)|330 MB|
|Reranker|jina-reranker-v2-base-multilingual (GGUF)|640 MB|
|Query Expansion|内置小 LLM|1.3 GB|
中文项目可替换为 Qwen3-Embedding GGUF 以优化检索效果。
>**典型使用场景**

- 搜索技术笔记、架构设计文档（"这个接口的设计原则"）
- 检索 GEO 写作规范（"SEO 关键词密度要求"）
- 查找已有代码片段的说明（"Aliyun OSS 签名上传的备注"）
- 作为 NotebookLM 的本地替代方案

>**安装配置**

```
brew install qmd  # macOS
# 或 go install github.com/tobi-lmd/qmd@latest

# 建立索引
qmd embed ~/knowledge-base

# 作为 MCP 服务启动
qmd serve --port 7333
```
>✅** 优点**

- 专为 Markdown 优化，OpenClaw 生态原生支持
- 三模型管线检索质量高（BM25 + 向量 + Reranker）
- 完全离线，模型下载一次后永久缓存
- 支持多 Collection，不同项目知识库互相隔离

>❌  **缺点**

- 需要手动维护 Markdown 文件，不自动捕获 Agent 行为
- 首次 qmd embed 下载约 2.3GB 模型
- 对代码库和非 Markdown 文件支持有限

Query Expansion 阶段会调用内置小 LLM，增加查询延迟约 300ms，无需额外配置。
### 4. Cognee

GitHub：topoteretes/cognee（Apache 2.0）
Cognee 从根本上区别于 QMD：它不做文档相似度检索，而是从文档中提取知识图谱，回答"A 和 B 有什么关系"这类推理性问题。
>**工作原理：ECL 三阶段**

1. Extract：识别文档中的实体（模块、人员、概念、技术名词）
2. Cognify：用 LLM 推断实体间关系（依赖/影响/属于），构建三元组
3. Load：写入本地图数据库（默认 NetworkX 内存图，可换 Neo4j）

查询时通过图遍历而非向量相似度，能实现多跳推理。比如" MCP 断线 → 影响哪些 Agent → 这些 Agent 依赖哪些服务"——这种问题 QMD 是答不了的。
>**典型使用场景**

- 理解代码库中模块之间的依赖关系
- 推断"A 功能崩溃会影响哪些下游"
- 从多篇文档中综合出共同结论
- 分析系统架构的影响链路

>**安装配置**

```
pip install cognee
```
```
import cognee
cognee.config.set_llm_config({
    "provider": "ollama",
    "model": "qwen3:14b",
    "endpoint": "http://localhost:11434"  # 本地 oMLX/Ollama
})
await cognee.add("docs/")
await cognee.cognify()  # 提取知识图谱（慢，但只需一次）
results = await cognee.search("Hermes 和 MCP 的依赖关系")
```
>✅** 优点**

- 独特的关系推理能力，是 QMD 做不到的
- 内置图谱可视化 UI，直观看到知识关系网络
- 支持 PDF、DOCX、音频、图片等多种格式
- 答案相关性在关系推理类问题上达到 92.5%

>❌  **缺点**

- 索引速度慢，每篇文档都要跑 LLM 提取实体，约比 QMD 慢 5–10 倍
- 查询延迟较高（图遍历 200ms–2s）
- 对简单的文档检索需求属于"杀鸡用牛刀"

实体提取是 Cognee 的核心步骤，必须调用 LLM，但支持本地 Ollama/oMLX，完全免费。
## 三、时序与用户画像类

### 5. Zep（Community Edition）

GitHub：getzep/zep（Apache 2.0）
Zep 专注于时序感知记忆——它不仅记住"说了什么"，还记住"什么时候说的、这条信息是否已被更新覆盖"。2026 年与 LangGraph 深度整合后关注度大增。
>**典型使用场景**

- "上周我说用 Redis，这周改成了 SQLite，以最新的为准"
- 追踪项目决策的演化历史（某个技术方案经历了几次变更）
- 需要时间线推理的复杂对话系统

>**本地部署**

```
docker compose up  # 拉起 Postgres + pgvector + Zep 服务
```
LOCOMO 基准测试得分 75.14%，低于 agentmemory，但时序推理是其独有优势。
>✅** 优点**

- 时序追踪是独特能力，其他工具都没有
- 2026 年 LangGraph 官方集成，生态好
- 企业级设计，支持大规模部署

>❌  **缺点**

- 需要 Postgres + pgvector，部署比较重
- 对纯 Coding Agent 场景价值有限（agentmemory 更合适）

### 6. TencentDB Agent Memory

GitHub：Tencent/TencentDB-Agent-Memory（Apache 2.0，2026 年 4 月开源）
腾讯开源的四层渐进式记忆架构，完全 SQLite 本地运行，对中文内容和国内部署环境针对性优化。
**四层架构**

|层级|内容|
|:-:|:-:|
|L0 原始对话|全量保存|
|L1 原子记忆|自动提取事实、偏好、关键约束|
|L2 场景分块|按项目聚类，上下文精准召回|
|L3 用户画像|稳定个性化认知|
>**典型使用场景**

- 中文环境的用户偏好记忆
- 国内信创/私有化部署场景
- 替代 mem0 的纯本地中文方案

>✅** 优点**

- 零外部依赖，纯 SQLite
- 中文分词和语义理解针对性优化
- Apache 2.0，国内社区维护活跃

>❌  **缺点**

- 生态相对较新，MCP 工具数量少于 agentmemory
- 文档和社区资源主要为中文
- L1 层提取事实需要连接 LLM（可配置本地 Qwen3）

## 对比总览

### 功能与技术对比


|工具|定位|写入方式|检索方式|本地依赖|需要LLM|开源协议|
|:-:|:-:|:-:|:-:|:-:|:-:|:-:|
|agentmemory|Coding Agent 行为记忆|自动 Hook|BM25+向量+图谱|SQLite（零依赖）|不需要|MIT|
|mem0|用户画像/个性化|自动提取|向量检索|需要 Qdrant|需要|Apache 2.0|
|QMD|Markdown 文档检索|手动写文件|BM25+向量+Reranker|本地 GGUF|Query Expansion|MIT|
|Cognee|知识图谱/关系推理|自动提取三元组|图遍历|本地（需 LLM）|必须|Apache 2.0|
|Zep CE|时序感知记忆|自动提取|向量+时序索引|Postgres+pgvector|需要|Apache 2.0|
|TencentDB AM|中文用户画像|自动提取|向量检索|SQLite（零依赖）|L1 层需要|Apache 2.0|
### 本地部署友好度


|工具|磁盘占用|额外服务|部署难度|
|:-:|:-:|:-:|:-:|
|agentmemory|~80–600 MB（Embedding）|无|极简|
|QMD|~2.3 GB（3个GGUF模型）|无|极简|
|TencentDB AM|极小（SQLite）|无|极简|
|Cognee|~500 MB SDK + LLM|已有 Ollama/oMLX|简单|
|mem0|~1 GB|Qdrant（Docker）|中等|
|Zep CE|~2 GB|Postgres + pgvector（Docker）|较复杂|
### 检索精度对比


|工具|评测得分|备注|
|:-:|:-:|:-:|
|agentmemory|95.2%（LongMemEval-S R@5）|三流融合检索|
|Letta/MemGPT|83.2%|供参考|
|mem0|68.5%|不同场景设计，不完全可比|
|Zep|75.14%（LOCOMO）|不同基准，侧重时序推理|
各工具使用不同评测基准，数字不可直接横向比较，仅供参考。
## 怎么选？场景决策树

![ScreenShot_2026-06-17_104806_649.png](https://developer.qcloudimg.com/http-save/yehe-7525015/2bc4083abd22d107156ffcad3dc956c0.png)

## 推荐的组合方案

对于 OpenClaw / Hermes 的个人开发者，仙踪问道团队在实际部署中验证了一个三层搭配方案：
第一层用 agentmemory，自动捕获 Agent 行为历史，零干预，关掉不管它，它默默在后台记录所有的技术决策和操作。
第二层用 QMD，把重要的技术笔记、项目规范写成 Markdown，Agent 就能随时检索这些知识库。两个工具都作为 MCP Server 挂载，互不干扰，一个管"做过什么"，一个管"知道什么"。
项目复杂度上去之后——代码库有好几个微服务、模块之间依赖关系复杂——再加 Cognee，引入图谱推理能力。三层就齐了：行为记忆 + 文档检索 + 关系推理。
```
# ~/.hermes/config.yaml
mcp_servers:
  agentmemory:
    command: "npx"
    args: ["@agentmemory/mcp"]
  qmd_search:
    command: "qmd"
    args: ["serve", "--port", "7333"]
```
归根结底，Agent的"失忆症"不是技术做不到，而是缺少一个中间层——一个能在会话之外持久化知识、跨会话注入上下文的记忆系统。开源社区给的这六款工具，就是在补这一层。它们全部开源免费、全都可以本地运行、数据留在自己的机器上。

![](https://developer.qcloudimg.com/http-save/yehe-7525015/05d00e1c22dfe0aa8bce0925abdea727.jpg)
![](https://developer.qcloudimg.com/http-save/yehe-7525015/e997b542c4d1b49da77b7cd20536ffe3.png)
![仙踪问道under.png](https://developer.qcloudimg.com/http-save/yehe-7525015/3d70883192d40618960720eb9a096da8.png)

## 附录：关键术语

- MCP（Model Context Protocol）：Anthropic 推出的开放协议，允许 LLM 通过标准接口调用外部工具和服务。agentmemory、QMD 等工具均提供 MCP Server，可直接挂载到 Hermes/OpenClaw
- BM25：经典全文检索算法，基于词频和逆文档频率打分，速度快
- 向量检索：将文本转化为高维数字向量，基于语义相似度检索
- Reranker：对初步检索结果重新打分排序的模型
- 知识图谱：以节点（实体）和边（关系）表示知识的图结构，支持多跳推理
- LongMemEval-S：专门评测 AI Agent 跨会话长期记忆能力的标准基准测试集

你知道吗，让 Agent记住你的项目上下文、技术决策和工作习惯，这件事完全可以不花一分钱、不连任何云服务、数据全留在自己电脑上就做到。每次打开 Hermes 或 OpenClaw 新建会话，你都得重新解释一遍项目用了什么框架、上次修 MCP 断线用的什么命令、为什么选 jose 而不是 jsonwebtoken。不是模型不够聪明，是上下文窗口本质上是"一次性"的——会话结束，记忆也跟着清零。开源社区早就盯上了这个问题。过去一年里，至少有六款专门针对 Agent记忆扩展的开源工具冒了出来——全都开源免费、全都可以本地部署、而且功能一点不糊弄。这篇文章就带你把这六款工具逐个看一遍：它们怎么工作的、怎么安装配置、各自有什么长处和短板、你的场景最适合哪个。

Agent六款开源记忆工具大横评——全都能本地跑，全都不花钱

AI 编程助手每次开新会话就"失忆"？六款完全开源、免费、可本地部署的记忆扩展工具——agentmemory、QMD、Cognee、mem0、Zep、TencentDB Agent Memory，覆盖行为记忆、文档检索、知识图谱、时序感知四大能力。从零干预自动捕获到 Markdown 知识库搜索，再到多跳关系推理，帮你给 Hermes / OpenClaw 装上一套完整的持久记忆系统

人工智能

开发工具

6款免费开源工具助你实现AI编程助手本地化记忆管理，包括行为记忆类agentmemory、知识检索类QMD和Cognee等。这些工具支持SQLite本地存储，无需云服务，可自动记录项目上下文、技术决策和操作历史，提升开发效率。MIT/Apache2.0协议保障数据安全，适合不同场景的开发者需求。

向量数据库

聊天机器人

TypeScript

数据库

OpenClaw

SQLite

GitHub

Redis

Agent

2026年中大促 | AI 领航 智绘未来

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Agent六款开源记忆工具大横评——全都能本地跑，全都不花钱-腾讯云开发者社区-腾讯云

Agent六款开源记忆工具大横评——全都能本地跑，全都不花钱

Agent六款开源记忆工具大横评——全都能本地跑，全都不花钱

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐