Supermemory：让 AI 拥有记忆

大型语言模型有一个天然缺陷——遗忘。每一次对话都是独立的上下文，AI 无法像人类一样积累和保留长期信息。Supermemory 正是为解决这一问题而生的记忆引擎。

核心定位

Supermemory 是 AI 的记忆和上下文层，主打 slogan："Your AI forgets everything between conversations. Supermemory fixes that."

它在三个主流基准测试中取得 SOTA 成绩：LongMemEval、LoCoMo、ConvoMem。

技术架构

核心组件

Your app / AI tool
        ↓
   Supermemory
        │
        ├── Memory Engine        # 提取事实、追踪更新、解决矛盾、自动遗忘
        ├── User Profiles        # 静态事实 + 动态上下文
        ├── Hybrid Search        # RAG + Memory 一次查询
        ├── Connectors           # Google Drive, Gmail, Notion, GitHub 实时同步
        └── File Processing      # PDF、图片、视频、代码 → 可搜索块

关键创新：知识图谱关系

Supermemory 不仅存储记忆，还理解记忆之间的关系：

关系类型	作用	示例
updates	处理矛盾和修正	"我搬到 SF 了" 更新 "我住在 NYC"
extends	补充新细节	"在 Stripe 担任 PM" + "负责支付基础设施"
derives	推理二阶信息	"是 PM" + "讨论支付 API" → 推断"负责核心支付产品"

双层时间戳

每个记忆都带两个时间属性：

失效日期：临时事实自动过期（如"明天有考试"，过后天自动忘记）
使用日期：用于时间推理和知识更新

处理流水线

阶段	描述
Queued	等待处理
Extracting	提取内容
Chunking	创建记忆块
Embedding	生成向量
Indexing	构建关系
Done	可搜索

Memory vs RAG

传统 RAG 的问题：无状态，对所有人返回相同结果。

Supermemory 的不同：有状态，理解"我刚搬到 SF" 替换 "我住在 NYC"。

# 添加记忆
await client.add({
  content: "Alex 刚加入 Stripe"
})
 
# 搜索
await client.search({
  query: "Alex 在哪里工作？"
})
# → 返回 Stripe（最新），保留 Google（历史）

集成生态

官方支持 TypeScript、Python SDK，REST API，以及 Vercel AI SDK、LangChain、LangGraph、CrewAI、OpenAI SDK、Mastra、Zapier、n8n、Claude Code、OpenClaw、OpenCode 等。

工程视角的利弊

优点：

开箱即用的记忆层
知识图谱自动处理矛盾和时间衰减
延迟低（<300ms）
连接器生态丰富

局限：

闭源商业服务，有 vendor lock-in 风险
自托管版本开发中
遗忘策略目前无法细粒度控制

适用场景

AI 助手、Agent、SaaS 产品需要个性化上下文和多轮对话记忆的场景。