29,573 Stars、ASMR 系统开源、3 大基准测试第一——Supermemory 想让 AI Agent 真正’记住’你是谁

29,573 Stars、ASMR 系统开源、3 大基准测试第一——Supermemory 想让 AI Agent 真正”记住”你是谁

你大概已经听过很多次”AI 需要记忆”这个说法。但当你真正把一个 AI 助手交给用户使用时，最先暴露的问题往往不是模型不够聪明，而是它根本不记得上次你们聊了什么。

这是一个工程上真实存在的问题：LLM 本质是无状态的，每次对话都是从零开始。大多数 AI 应用的”记忆”，不过是在 prompt 里塞更多的历史对话——既贵，又慢，效果还不稳定。

Supermemory 就是来解决这个问题的。截至今天，它在 GitHub 上有 29,573 颗 Star、2,585 个 Fork，背后的团队来自旧金山，已经服务了 100k+ 组织和数亿终端用户，每月处理超过 1 万亿 Token。

它最近还开源了 ASMR 系统——在 LongMemEval 长期记忆测试中跑出了 98.6%/99% 的准确率，代码全部公开。这个数字不是闭门造车，而是已经有人在生产环境里用过了。

Supermemory 到底是什么

一句话：Supermemory 是 AI 应用的状态层基础设施。它把”记忆”从应用逻辑里剥离出来，做成了一层独立的服务——可插拔、可自托管、支持任意 LLM 和 Agent 框架。

具体来说，它包含五层能力：

记忆提取层：从对话、文档、图片、视频里自动提取事实，构建实体关系图谱。不是简单地向量存储，而是像人脑一样，把”谁、在什么时候、做了什么事”的关系连起来。

用户 Profile 层：自动维护用户画像，包括静态属性（出生地、教育背景）和动态属性（当前项目、最近活动）。调用一次约 50ms 返回。

混合检索层：RAG + Memory 在一次查询里同时生效。不只是找相似文本，还能根据时间、关联性、重要性综合排序。

连接器层：Google Drive、Gmail、Notion、OneDrive、GitHub，原生支持 Webhook 实时同步。

遗忘机制：这是 Supermemory 和普通向量数据库的本质区别之一。过期信息、不重要的事实会被自动清理，而不是永远躺在检索结果里等着污染上下文。

安装方式极其简单：

npm i supermemory
# 或者
pip install supermemory

一行命令，五层能力全部就绪。

基准测试成绩：真的领先，不是自说自话

Supermemory 宣称在三大 AI 记忆基准测试中排名第一：

• LongMemEval：长期记忆检索测试，Supermemory ASMR 系统准确率 98.6%/99%
• LoCoMo：对话上下文记忆测试，排名第一
• ConvoMem：对话记忆质量测试，排名第一

95% Recall@15，意味着在前 15 个检索结果里能找回 95% 的相关记忆，同时把输入模型的 token 减少 99.4%。这对实际使用意味着：上下文窗口的消耗大幅降低，LLM 的调用成本随之下降。

对比竞品的数字更有体感。Mem0 平均检索延迟 7-10 秒，Zep 约 4 秒，而 Supermemory 控制在 300ms 以内。这个差距在实时对话场景里是”能用”和”不能用”的分水岭。

和 Mem0 的本质区别：不只是存储，是记忆引擎

市面上常把 Supermemory 和 Mem0 拿来对比。技术层面，两者的设计哲学有根本差异。

Mem0 本质上是一个结构化存储系统，提供 CRUD API——你存什么、取什么，中间没有太多智能。优点是透明可控，缺点是当你要做提取、关联、推理的时候，所有逻辑都得自己写。

Supermemory 从设计之初就是作为一个”记忆引擎”而非”数据库”存在的。Scira AI 做过一次真实对比：切换到 Supermemory 后，应用使用量增长了 32%，10 个客户专门因为记忆功能注册，检索延迟全面下降，用户反馈从”还行”变成了”这东西真的很懂我”。

Montra（一个生成式视频平台）用 Supermemory 做了媒体库的语义搜索。他们的工程师半小时跑通 PoC，一周完成集成，搜索速度是之前方案的 2-3 倍，维护成本降为零。用他们创始人 Campbell 的话说：”Supermemory 就像一块橡皮泥，你想怎么用就怎么用，而且不需要读一本厚厚的说明书。”

适合谁，不适合谁

适合的场景：

你的 AI 应用需要跨会话保持连续性——比如客服 Bot、个人助手、编码 Agent、内容创作工具。用户不愿意每次都重新解释自己的偏好和背景。

你的团队正在用 Claude Code、Cursor 或 OpenCode，希望 AI 真正理解你的代码库习惯和项目上下文，而不只是每次对话单独存在的工具。

你需要快速上线一个”记得用户”的产品，不想花 3-6 个月自己搭向量数据库 + 提取层 + 检索层 + 关系图谱。

不适合的场景：

你的需求是”从 URL 提取知识“，比如竞品监控、文档问答——这是知识提取问题，Supermemory 的定位是记忆而非抓取，知识 SDK 类工具更合适。

你需要完全离线、数据完全自管且文档量在 10,000 以上——Supermemory 有自托管版本（Docker），但大规模部署有 license 限制（Lite 版本上限 10,000 文档）。

你想做的是纯研究，想在内存里跑实验——Supermemory 是生产级基础设施，不是实验室框架。

ASMR 开源意味着什么

2026 年 4 月，Supermemory 发布了 ASMR 系统，并宣布开源。ASMR 不是音频压缩算法，而是一套多 Agent 并行推理流水线——不依赖传统向量数据库，在内存里直接做长期记忆检索。

98.6%/99% 的 LongMemEval 准确率是在这个方向上的最新成果。开源意味着这个技术不再只是 Supermemory 的护城河，任何人都可以去 GitHub 看代码、在自己的环境里部署、研究和改进。

这和 Supermemory 一直强调的”可移植性”一脉相承：它不想成为一个新的模型提供商锁定的记忆层，而是想把记忆基础设施做成开放标准，让任何模型、任何 Agent 框架都能接入。

下一步：怎么用起来

如果你想试试，现在有三条路：

第一条路（最快）：直接用云端 API
去 supermemory.ai 注册，拿到 API Key，看五分钟后快速开始文档。npm 一行装好，本地跑个 Demo 感受一下 300ms 检索是什么体验。

第二条路（自托管）：本地跑完整版
Supermemory 提供了约 100MB 的 self-hosted 二进制文件，支持 Docker 部署。自托管版本现在可以选嵌入模型（内置本地模型、OpenAI 或任意 OpenAI 兼容端点），数据完全不离开你的服务器。七月更新后支持可插拔嵌入、自定义向量维度、环境变量配置。

第三条路（深度集成）：给现有 Agent 装记忆
Supermemory 提供了 Claude Code 插件、Cursor 插件、OpenCode 插件和 OpenClaw 插件。如果你已经在用这些工具，装上插件、重启、授权，就能让现有的编码 Agent 记住你的项目结构、代码规范和偏好设置，不需要改任何业务代码。

参考来源：GitHub 仓库 supermemoryai/supermemory，官网 supermemory.ai，LongMemEval 基准测试论文与公开评测，Scira AI 案例研究，Montra 集成手记，Mem0 vs Supermemory 技术对比，ASMR 研究博客。