29,576 颗星背后，Supermemory 想解决什么问题

星火·GitHub 快讯 技术创作者 2026-09-10 485 阅读

29,576 颗星背后，Supermemory 想解决什么问题

你用 AI 编程工具的时候，有没有遇到过一个经典崩溃时刻：上下文窗口爆了，或者模型”失忆”了——上一个会话清清楚楚的信息，这个会话要重新解释一遍。这就是 Supermemory 看到的核心问题，并花了一年多时间把它做成了一整套解决方案。

它不是向量数据库，而是记忆引擎

大多数人对”AI 记忆”的理解还停留在向量数据库阶段：把对话切成块、embedding、存进 Pinecone，查询时返回相似段落。但这里有个根本性的错位——向量数据库回答的问题是”这段文本和哪段最像”，而不是”这个用户上一次跟我说了什么”。

Supermemory 的回答是：你的 AI 需要的是一套记忆引擎，不是一个更快的查表工具。

区别在于：向量数据库存的是孤立的语义点，Supermemory 存的是一张关系图谱。当用户说”我现在吃素了”的时候，向量搜索会同时返回”他爱吃牛排”和”他现在吃素”——因为相似度都高，分不清哪个更新。Supermemory 的 memory graph 会追踪事实的时间戳，知道”他现在吃素”覆盖了”他爱吃牛排”，返回的结果只有一个。

这背后是一套五层技术栈：连接器（Notion、Gmail、Google Drive、GitHub 等一键接入）→ 多模态提取器（PDF、图片、音视频自动处理）→ 向量 + 知识图谱混合检索 → 关系图谱（typed relationships）→ 用户画像自动构建。每层都有独立工作要做，传统方案要用 5-7 个供应商、花 3-6 个月才能搭起来，Supermemory 一个 API 调用搞定。

数据说话：三个主流 benchmark 全是第一

Supermemory 援引了三个独立评测结果：

  • LongMemEval（115k+ token 对话历史，含矛盾事实）：整体准确率 85.4%，单会话用户召回 92.3%
  • LoCoMo：P@1 59.7%（竞品 34.4%），Recall@10 83.5%，NDCG@10 71.1%
  • ConvoMem：排名第一

对比竞品的数字更直观：Mem0 平均召回延迟 7-8 秒，Zep 约 4 秒，Supermemory 全链路 sub-300ms。一个多步骤 Agent 工作流可能每次交互要查 4-5 次记忆——用 Mem0 累积延迟超过 35 秒，用 Supermemory 不到 2 秒，用户根本感知不到。这不只是体验差异，在按 token 计费的场景里，LLM 坐着等记忆返回就是在烧钱。

他们还开源了 MemoryBench（https://supermemory.mintlify.dev/docs/memorybench/memscore），任何人都可以用同一套标准测试不同记忆系统的质量、延迟和 token 消耗——这是他们愿意把自己的分数放到台面上接受检验。

真实用户在跑什么

几个有具体数字的案例：

  • Adapta（AI 工作空间）：对比了主流记忆工具后选 Supermemory，目前每天服务 100,000+ 公司
  • Chatarmin（WhatsApp 营销平台）：从自建 RAG 管道切换，平均响应时间从 40 秒降到 12 秒，直接放弃了 RAG 架构
  • Scira AI（开源 Perplexity 替代）：从 Mem0 迁出，检索延迟平均降低 37.4%（中位数 41.4%），产品因为记忆功能带来了 10 个付费客户，使用量增长约 32%
  • Montra（AI 视频编辑器）：6 人团队，一周时间完成集成，搜索速度提升 2-3 倍，”感觉比我们测试的任何方案快 5 倍”

最后一个细节值得注意：Montra 创始人 Campbell 在 GitHub 上看到 Supermemory 的介绍，半小时跑通 PoC，一周完成集成。他原话是：”2025 年了，应该有服务直接帮你做这个，而不是让我们自己拼各种向量库。”

Claude Code、Cursor、OpenCode 插件全部免费了

今年 8 月的一个更新值得单独提：Supermemory 的 Claude Code、Cursor、OpenCode 记忆插件不再要求付费计划，任意账户包括免费层都可以连接使用。对于想让 AI 编程助手真正记住自己项目偏好的开发者来说，这是零成本上手的机会。

他们还给 OpenClaw 出了官方插件，解决了 OpenClaw 内置记忆层被社区吐槽的多个痛点（https://supermemory.ai/blog/why-everyone-is-complaining-about-openclaws-memory-it-sucks-and-why-supermemory-fixes-it/）。

适合谁，不适合谁

适合：需要给 AI Agent 或应用快速加上长期记忆能力的团队；已经在用 Pinecone/Weaviate 但发现记忆效果不佳的开发者；做 AI 产品融资但不想在基础设施上花三个月工程量的 startup。

不适合：有极强合规要求、必须完全数据自托管的企业（Supermemory 支持自部署，但需要商务对接）；已经在用 Mem0/Zep 且功能正常运行的团队，迁移收益有限；只是想给自己的 AI 聊天加一个记忆功能的个人用户——有更轻量的替代品。

下一步建议

如果你是 builder，第一件事是跑 Quickstart：https://supermemory.ai/docs/quickstart，npm install 之后五分钟能跑通第一个完整记忆流程。

如果你是决策者，先用 MemoryBench 把 Supermemory 和你现有方案跑一遍对比：https://supermemory.ai/docs/memorybench/overview，有客观数据再判断值不值得切换。

如果你是 AI 编程重度用户，Claude Code 或 OpenCode 装了 Supermemory 插件之后，你的 Agent 会记住项目结构、代码风格、你提过的要求——而不是每次新会话都当第一次见面。

仓库链接

评论区

0 条评论

登录后可评论。

星火·GitHub 快讯 485 阅读