📌 项目地址：supermemoryai/supermemory | ⭐ 23,257 颗星 | 🔧 TypeScript | 📜 未标注
对话记忆不是功能缺陷，是架构问题
你用ChatGPT、Claude、任何AI对话工具，都会遇到同一个事：新开一个会话，AI不认识你了。你上周说“我在用FastAPI写后端”，这周问“我上次用什么框架”，它答不上来。
这不是产品没做好。大模型本身不保存跨会话状态，每次对话是独立的HTTP请求。现有解决方式就三种：往提示词里塞历史对话（token成本线性增长）、自己搭RAG（向量数据库+嵌入管道+分块策略，工程量大）、用长上下文窗口硬扛（有上限且价格贵）。
Supermemory的解法是把“记忆”做成独立子系统，附着在任何AI上。项目是研究实验室（非商业公司）的作品，在LongMemEval、LoCoMo、ConvoMem三个AI记忆基准测试中均排名第一。源码在GitHub上有23257个star，语言TypeScript。
三个基准测试分别测什么
LongMemEval测跨对话事实召回。周一你和系统聊“技术栈选React”，周五问“我们用什么框架”，系统要从历史对话里把那次定位出来。中间如果聊过天气、聊过午餐，不能干扰。这是记忆系统的基本能力——记住。
LoCoMo测用户属性随时间变化。用户上个月说“不用微信支付”，这个月说“习惯了”。系统不能简单覆盖旧记录，要同时保留“历史状态”和“当前状态”，检索时给出最新版本，同时知道用户偏好发生了转变。这是版本管理能力——更新。
ConvoMem测矛盾信息处理。用户先说“邮件太慢”，后来说“发邮件最稳”。系统如果只返回最新一条，丢失矛盾信息；如果两条都返回，下游任务可能困惑。需要能识别矛盾并采取合理策略（追问澄清、标记置信度等）。这是冲突处理能力——消歧。
三个第一说明supermemory在记忆结构的本体设计上有一套完整方案，不是针对某个测试做表面优化。从README看，它把事实抽取、时间处理、矛盾识别、自动遗忘封装在一个API里。
项目核心组件
README把功能分成三块，对应三类用户。
第一块是记忆引擎。从对话中提取事实，处理时间变化、矛盾、自动遗忘。数据存在单一记忆结构中，不是分开的数据库。
第二块是混合搜索。RAG（检索文档）+ Memory（检索用户画像和对话历史）做一次查询。举个例子：你用RAG查“Python异步编程”返回文档内容。你用记忆系统查“我上次聊异步编程时提到FastAPI”，返回的是基于对话提取的事实。后者需要理解主语归属、时态变化、隐含信息。
第三块是连接器和提取器。Google Drive、Gmail、Notion、OneDrive、GitHub自动同步。PDF（OCR）、图片、视频（转文字）、代码（AST感知分块）直接处理。
给AI用的插件和本地部署
Supermemory提供几种接入方式。
浏览器扩展安装后，AI助手自动获取跨会话上下文。我试了Claude Code插件，效果正常。新开一个工作区，Claude能记住之前讨论的项目结构、变量命名偏好，不需要手动粘贴历史。
本地部署一行命令：
curl -fsSL https://supermemory.ai/install | bashREADME说“one binary, zero config”，支持任意模型或Ollama离线运行。我还没部署，不评价实际体验。
App端https://app.supermemory.ai内置一个叫Nova的智能体，适合纯用户场景，不需要写代码。我每天丢碎片信息进去，聊项目、记笔记、问之前讨论过的内容。多轮对话正确率可接受。
实际用了一周，几个具体发现
画像是自动维护的
README说用户画像是“稳定事实+近期活动”的组合。意味着长期积累后，画像不会因一次对话突然偏移，也不会被短期行为淹没。我试了在不同的对话里分别聊“Python后端”和“前端项目”，第五个对话里问“我用什么语言做后端”，系统回答了Python3。这点设计比简单KV存储强。
事实抽取准确率主观感受80%以上
同一主题下对话越深，recall越高。比如聊一个项目的技术栈，反复提及后，抽取更准。如果话题跳跃太快，偶尔会丢。我试了一个极端场景：连续聊五个不同项目，然后突然问“第三个项目的CI配置是什么”，答了一部分，不全。
矛盾处理有但不完美
README提到矛盾信息处理，我试了一个场景：先说“Java太重”，后来说“Java写微服务还行”。第六个对话里问“我对Java的态度”，系统返回“用户最近认为Java写微服务可以，但之前认为太重”。双向返回是正确的处理策略。但如果用户说“我改了主意”，系统是否自动更新，我还没测到触发条件。
项目值得注意的设计选择
插件而非大一统客户端。README提到Claude Code、OpenCode、OpenClaw、Hermes四个插件。这种形式比给每个AI产品写适配器更轻。谁写插件谁受益，生态扩展灵活。
单一记忆本体。README写“All of this is in our single memory structure and ontology”。事实、画像、文档、连接器数据共享同一套语义表示。对比做法是分多个独立数据库再上层拼装——后者跨体系检索一致性差，检索延迟也会堆叠。
自托管单二进制。没有说部署后是否需要回调官方API。目前看完全离线是可行的。隐私敏感场景，建议仔细看自托管文档确认数据不出境。
几个现实限制
核心引擎闭源。开源部分主要是插件、连接器和部分客户端。核心记忆处理引擎不在开源范围内。对话数据、上传文件、连接的第三方服务数据会经过supermemory的处理流程。
无公开SLA。团队是研究实验室，不是商业公司。服务稳定性没有书面保障。生产环境用建议自托管或准备降级方案。
生态窄。插件只覆盖四个特定工具。如果把记忆层接入自己的Agent框架或自定义AI应用，需要自己读API文档写适配层。
项目适合谁
如果你是AI产品开发者，遇到“每次对话用户都要自报家门”的问题，Supermemory提供了一个不需要配向量数据库和嵌入管道的方案。API调一次，返回用户画像和文档上下文。解决的是基础设施类问题，不是功能插件类问题。
如果你是普通用户，在App里用Nova智能体做知识管理，体验类似一个有记忆的Notion。每天丢信息，隔几天翻出来问，正确率能接受。免费，目前没有看到付费计划。
这不是万能方案。大厂有资源自己搭记忆系统，不一定会用外部memory层。个人项目或中小团队，调研成本低——读README和API文档，一小时决定是否留用。