Mem0 vs Graphiti vs Letta vs Cognee

一眼概览

下面的星数与版本都是 2026 年 10 月下旬，从各项目自己的仓库读到的。

四种被叫做「记忆」的不同东西

Mem0 —— 抽取出来的事实，按相似度取回

Mem0 的模型是四者中最容易想清楚、也是采纳成本最低的：你把对话轮次交给它，一个大模型抽出简短的独立事实，这些事实进向量库，在组装提示时按相似度取回。安装是 pip install mem0ai 或 npm SDK，默认用 OpenAI 的 gpt-5-mini 做抽取、text-embedding-3-small 做嵌入，仓库里还带一个有面板和认证的 Docker Compose 服务端。

你放弃的是任何依赖事实之间关系的东西。「我们关于定价定了什么？」检索得很好。「其中哪个决定取代了哪个」就不行，因为取代是一种关系，而这个存储里装的是点。Mem0 自己的数字也是本文所讲那道缝隙最清楚的一例：README 的表格报出 LoCoMo 92.5、LongMemEval 94.4、BEAM-1M 64.1，然后说明这些是平台分数，开源用户应预期「方向相似但数值不同」的收益。这是一条少见地诚实的脚注，而它意味着：你真正想要的那个对比——库对库——根本没人发表过。

Graphiti —— 一个知道某个事实何时不再为真的图

Graphiti 是 Zep 底下那个开源框架，也是四者中唯一一个其数据模型直接回答了「大多数智能体记忆做错的那个问题」的。事实带有效期窗口；当一个新 episode 与旧的矛盾时，旧的边被失效而不是被删除，而每个实体与每条边都能追回它所来自的那个源 episode。检索把语义搜索、BM25 与图遍历合在一起。如果你的智能体需要说「截至上周负责人是他，周二变了」，这就是能做到的那个模型。

代价有两处。第一是基础设施：Graphiti 需要一个图数据库——Neo4j 5.26、FalkorDB 1.1.2、带 OpenSearch Serverless 做全文的 Amazon Neptune，或者 Kuzu 0.11.2（项目现在已把它标为弃用并在导入时发警告）。相对于 Mem0 的一个向量库，这是一笔实打实的运维承诺。第二是与 Zep 的关系：Zep 自身的社区版已弃用，代码挪进了 legacy/ 目录，而 getzep/zep 仓库直白地写着它「不是 Zep 的产品或服务」——它装的是 Zep Cloud 的示例与集成。那个「规模下低于 200ms」的数字属于商业产品，不属于这个框架。Graphiti 作为一个库是真正完整的；Zep 是一个恰好与它同源的托管服务。

Letta —— 由智能体自己编辑的记忆

Letta（前身 MemGPT）把问题反过来问。它不是一个由框架代智能体查询的存储，而是让智能体自己持有可编辑的记忆块，这些块活在它的上下文里，由它随着学习用工具改写。对一个长期存在、其自我描述与工作笔记本就该变化的助手，这是对的形状；而对一个语料库，这是错的形状：这里没有文档摄入的故事，因为它的单位是智能体自己的状态，而不是你的数据。

Letta 也是重心挪得最远的那个项目。那个 25.3k 星的 letta 仓库已把 V1 API 服务端退役到 archive 分支；活跃开发在 letta-code（3.7k 星）——一个把全部上下文（含记忆块）用 git 追踪的智能体框架，而它首次启动时的默认后端是 Letta Cloud。本地运行是提供的，而某些功能（远程机器、密钥）要求登录 Letta。如果你是为了 2025 年读到的那个自托管有状态服务端而选 Letta，先确认那个服务端现在在哪个仓库、哪个分支，再围着它做规划。

Cognee —— 一个你从文档构建出来的图，而且多租户默认开着

如果你的记忆主要是内容而不是对话，Cognee 是该先读的那个。它的四个动词是 remember、recall、improve 和 forget；remember 与 recall 都接 dataset 名字，于是作用域是一个头等参数，而不是一个你要记得传的过滤条件。自 v1.0 起，整个层可以坐在一个 Postgres 实例上，覆盖关系元数据、PGVector 与图状态；而 v1.6.1（2026 年 9 月 24 日）让默认本地路径无密钥运行，用本地 GLiNER 抽取器与本地嵌入——四者中唯一一个不需要模型供应商就能试的。

它也是唯一一个默认就要求已认证用户的：每一次 /api/v1 调用都是多租户的，除非你设 ENABLE_BACKEND_ACCESS_CONTROL=false。而它对自己的评测也最谨慎。README 报出 BEAM 在 100K 词元下 0.79、在 10M 下 0.67，把后者标为探索性的，并提醒这两种设定用了不同的对话、不同的摄入模型与不同的检索选择流程、因此分数不可直接比较——同时指出分布式 10M 摄入仍有一个未关闭的复现缺口。要留神的地方在存储故事里：把 Postgres 当图存储被描述为演示功能，生产版是一个需授权的产品。

横向对比

你会拿来比较它们的每一个数字，都是自报的

在场的三个基准是 LoCoMo、LongMemEval 与 BEAM，而四个项目的任何分数都没有独立复现。Mem0 发表的数字最多，并把它们归于自家平台；Cognee 发表得少些，而且自己附上了告诫；Graphiti 一个没发，只给了一份对比 GraphRAG 的延迟表格、没有方法说明；Letta 一个没发。更糟的是，在最有意思的那一端，样本量小到足以吞掉这些差异：BEAM 的 10M 档大约 200 题，所以仅凭二项计数误差，报出的 48.6% 就带着约 ±6.9 个百分点的 95% 区间。在那个规模上，两家厂商之间 3 个点的差距是噪声。而从 1M 到 10M 掉 15 个点——Mem0 自己报的——不是噪声；而那一跌才是整张榜单里值得带走的发现：所有这些都会随语料增长而急剧退化，而在各子能力中，矛盾消解得分最差。

作用域是调用方传进来的一个参数，不是一个主体

在 Mem0 里作用域是 user_id，传给 add 并作为 search 的过滤条件。在 Graphiti 里是 group_id。在 Cognee 里是 dataset 名字，上面还叠着 session。在 Letta 里是智能体本身。四者中有三个，库里没有任何东西检查调用方是否有权使用它所申报的那个作用域——只要上面有东西在管，这就是一个设计选择而不是缺陷。Graphiti 把后果说得很明确：它的参考 MCP 与 REST 服务器没有认证、没有提示注入防护，调用方可以访问任意 group_id，而项目声明它们不打算用于不受信网络。Cognee 是例外，默认每次调用都要一个已认证用户。如果你要把其中任何一个部署给超过一个人用，请看记忆作用域与多租户——这种失败是静默的，因为一个嵌入向量不携带它的作者。

真正的分水岭是退出成本

问一句：如果你停止付费、或者项目转向了，你能留下什么。Graphiti 留给你的是一个跑在你本来就在运维的数据库里的图，带着回指源 episode 的来源边——四者中最可移植的产物。Cognee 留给你 Postgres 里的行，但要记住生产图路径是需授权的。Mem0 留给你抽取出的事实字符串加嵌入，可移植但有损：抽取时的那些判断没了。Letta 留给你用 git 追踪的记忆块，形式上可移植，但在解释它们的那个 Letta 框架之外没有意义。四者中有两个今年已经把自己的重心挪过一次了——这是关于「这些选择能有多耐久」目前最好的现成证据。

什么时候选哪个

还有一种情形是「都不选」：如果你的智能体对记忆的要求只是「记住用户本次会话早些时候说的那五件事」，那么一张带 user id 的表加一个 LIMIT 5 就是正确答案，而值得设计的那部分是写入路径，不是存储。

延伸阅读

本站：

• 记忆存储：向量、键值、图与驱逐 —— 把后端匹配到记忆类型。
• 记忆作用域与多租户 —— 为什么 user_id 不是一次授权判定。
• 遗忘与取代 —— 只有 Graphiti 的模型原生表达的那种变更。
• 迁出一家记忆供应商 —— 退出成本的细节。
• 记忆毒化防御 —— 一个共享作用域让攻击者能写进什么。

项目来源：

• mem0ai/mem0
• getzep/graphiti 与 getzep/zep
• letta-ai/letta 与 letta-ai/letta-code
• topoteretes/cognee