10 个关键问题 Q&A
-
Q：智能体记忆五大核心操作是什么？ A：读取、写入、更新、检索、遗忘。 -
Q：三种记忆形态有什么？ A：短时上下文记忆、向量长期记忆、结构化知识库。 -
Q：什么是覆盖陷阱？ A：新写入记忆覆盖原有重要信息，造成历史信息丢失。 -
Q：什么是过量注入陷阱？ A：检索召回信息过多，挤占上下文，拉高成本、干扰推理。 -
Q：为什么要做三轮会话测试？ A：验证记忆召回、信息更新、遗忘清理三大核心行为是否符合预期。 -
Q：选型只看检索准确率够吗？ A：不够，还要看成本、权限管控、数据安全、遗忘机制。 -
Q：向量记忆和结构化知识库差别在哪？ A：向量适合模糊语义检索；结构化库适合规则、确定字段查询。 -
Q：记忆控制权指什么？ A：业务是否能自主决定记忆读写、删除、修改的权限。 -
Q：账单口径需要重点关注什么？ A：区分向量入库、检索、模型调用等不同计费项，避免成本失控。 -
Q：落地最佳思路是直接上全套长期记忆吗？ A：不是，按需组合，优先评估业务是否真的需要长期记忆。
写给工程师：如果你正在构建需要反复对接同一用户、同一代码库的智能体，并且很快就要选定记忆层；读完本文，你就能筛选出两款适配你的方案，执行一项关键对比测试，同时向负责支付模型 Token 费用的人解释清楚成本构成。负责做选型决策、以及决定公司是否要依赖第三方记忆服务商的管理者，也可以阅读本文，跳过产品详情部分。文中所有产品，均依据截至2026-10-27可查阅的官方文档，在同一个简易支持助手上进行梳理，并非由我搭建环境实测。所有基准测试数据、定价信息都会标注来源：厂商自测、竞品评测、独立学术研究，或是当日公开定价页。
快速导读
大模型本身不具备记忆能力。每一次请求都是从空白提示词开始，模型 “记住” 的所有内容，都是人为塞进提示词里的文本。记忆产品，就是一套软件，负责从全部历史对话中挑选该放入提示词的内容。
市面上所有记忆产品，无论叫法如何，底层都只做五项核心操作：
- 捕获
记录发生的一切消息、工具调用、访问过的文件。 - 决断
筛选值得留存的信息，判断新记录是否要替换旧记录。这一步通常需要额外调用一次大模型，也是大部分成本与错误的来源。 - 存储
把筛选后的内容存入可检索载体：文件、向量索引、知识图谱、数据库行记录等。 - 检索
开启新会话、收到新消息时，拉取和当前场景相关的历史内容。 - 注入
在 Token 预算限制内，把检索到的内容粘贴进提示词。
这五项能力，市面上有四种交付形态：
-
开源库：自行部署，自行承担模型 Token 开销； -
托管服务：独立计费，按 Token、事件数或席位收费； -
云平台内置能力：你的智能体已经跑在该云上，无需单独采购； -
助手原生功能：内置在编码工具、聊天应用里，不对外提供 API。
底层上，不同产品的差异集中在三点，每一点都只有为数不多的主流实现思路：
存储内容（Saves）
会话结束后存储的数据形式：
-
模型在每次会话后提炼简短事实（例如：客户使用团队版套餐），一条记录对应一条事实； -
人物、产品、日期及其关联关系构成知识图谱；例如 “客户使用 Postgres” 会存储为客户与 Postgres 之间带学习时间的关联边； -
一段简短笔记（几百词），记录用户、项目、智能体角色等信息；每次提示词完整带入，信息变更时由模型重写； -
文件夹内的纯文本文件，类似笔记本；模型需要时打开文件，学到新信息时写入文件； -
带双向关联的笔记，保留所有历史版本，可以追溯一条事实的演变过程； -
双列表机制：近期列表 + 永久列表；新事实先进入近期列表，反复出现的事实晋升到永久列表，其余内容随时间淘汰； -
完整原始对话全文，附带检索索引，支持回溯历史轮次。
读取方式（Reads）
存储的记忆如何放回提示词：
-
常驻提示词：全部记忆每次请求都直接粘贴，仅适合记忆体量很小的场景； -
逐轮检索：用新消息作为查询条件检索存储库，把匹配到的事实注入提示词； -
智能体自主获取：不会自动注入内容；模型拥有文件打开、检索等工具，自主判断何时需要调取信息； -
融合检索：同时执行多种检索，例如关键词匹配、图谱链路遍历、时间过滤，结果合并重排后注入。
冲突处理（On change）
新事实和旧事实矛盾时的处理逻辑：
-
仅追加：新事实和旧事实并排存储，检索时两者都可能被召回； -
模型裁决：调用模型对比新旧信息，决定新增、更新或删除旧记录； -
时间打标：旧事实标记失效时间，两条记录全部保留，可以回答 “上个月是什么情况”； -
原地覆写：模型直接修改笔记 / 文件，旧内容被覆盖，不留历史； -
版本留存：检索结果里新事实替代旧事实，但后台保留旧版本； -
无特殊逻辑：双列表架构直接新增事实，旧事实能否留存取决于后续是否会被再次访问。
适用场景：同一个智能体持续服务同一个用户、同一套代码库、同一套工作流，历史信息已经放不下提示词窗口，或是每次全量回传成本太高。一次性任务不需要记忆产品；很多场景，靠一份可由模型重写的简短文件就足够解决。
重点：产品之间的核心差异，是会话结束后存了什么、下一轮往提示词里塞什么；其余功能特性都是这两点衍生出来的。 选型思路：用相同的测试对话跑不同产品，对比它们存下的内容，再对比注入下一轮的内容。 为什么重要：只看功能清单选出来的产品，很可能注入错误事实、或者注入过多冗余内容；这个失误带来的 Token 开销，每一轮请求都会重复产生，不是一次性成本。
层级总览
0 级：一个支持助手，三轮会话、三种记忆方案；所有产品都必须跨过的两大陷阱 1 级：市场全景图，七大类产品、厂商、免费方案 2 级：存储与冲突处理：产品如何决定留存内容、事实冲突时如何处理 3 级：读取机制：记忆如何送入提示词、每一轮的成本 4 级：评测指标：LoCoMo、LongMemEval 分数怎么解读，如何甄别厂商宣传 5 级：账单拆解：五种定价模式，以及很少有人标明的隐性计费项 6 级：权限与可控性：谁可读、谁可删、是否容易被投毒、能否迁移导出 7 级：依托载体适配：内置记忆、框架存储、平台记忆、外部独立服务 决策指南、核心总结、参考文献
0 级：案例 Dana，三轮会话，三种记忆形态
Dana 是一款小型软件产品的客服助手。一位客户在两周内和 Dana 对话三次：
-
第 1 天：客户说明自己是团队版套餐，使用 Postgres 14，希望回复简洁； -
第 9 天：客户提到已经迁移到 Postgres 16，询问数据导出功能； -
第 14 天：客户提问：“导出功能在我的数据库版本上能用吗？”
第 14 天的正确回答，应当确认 Postgres 16 支持导出、说明导出包含在团队套餐内、并且保持简短。这个测试案例验证三件事：
-
两周后智能体还记得套餐类型和偏好吗？ -
Postgres 16 是否替代了旧的 Postgres 14，还是两条记录同时保留？ -
第 14 轮的提示词，只载入相关事实，还是把两周全部对话都塞进去？
本文所有产品，都基于官方文档走了这三轮会话的推演。推演只能告诉你产品设计目标；真实表现，必须你自己跑一遍这三轮会话才能确认。
记忆方案一：完整上下文
最简单的记忆：保存全部消息，每一轮都全量发送。第 14 天提示词包含三轮全部对话。模型同时看到 Postgres14 和 16，当前主流模型大多会采信后面一条。信息不会丢失，也不需要额外的决断逻辑。 代价是 Token 总量随会话持续上涨，过长上下文会让模型注意力下降。对于 Dana 这三段简短对话，全量上下文效果最好；但当一个客户有几十轮会话，或是上万客户每人都有多轮对话时，这个方案就不再划算。
记忆方案二：用户档案文件
每轮会话结束后，模型重写一份简短用户笔记：套餐、数据库版本、偏好、待处理问题。第 9 天重写时直接替换版本那一行。第 14 天提示词直接带上这份 8 行左右的笔记 + 用户问题。 绝大多数编码助手、消费级聊天 APP 的记忆，本质都是这套方案，只是名字各不相同。 决断步骤是每会话一次模型调用；它是有损存储 —— 被重写删掉的信息就永久丢失。没有检索过程，整份笔记一次性注入：笔记很短时效果很好，如果笔记膨胀到几百行，就会出问题。
记忆方案三：抽取式事实存储
每轮结束，模型提取独立事实（客户为团队套餐、客户使用 Postgres14）。每条事实送入嵌入模型，转为向量；语义相近的句子向量距离更近，向量和事实一起存入库。 第 14 天，用户问题同样转为向量，在库中匹配距离最近的少量事实，注入提示词。哪怕问句和 “客户使用 Postgres16” 字面完全不一样，只要语义相关，就能匹配上。这就是嵌入检索，也是专业记忆产品的基础，很多会再叠加图谱或者档案机制。 难点就在第 9 天：收到 “Postgres16” 这条新事实时，存储系统要识别它和旧事实冲突，并让旧事实失效。不同产品在这一步差异巨大，不少产品直接跳过冲突处理。
现在两大陷阱就清晰了： ✅ 覆盖陷阱（supersede trap）：新旧版本同时保留，第 14 天两条都被召回，最终答案取决于模型更信任哪一条。通用召回基准测试很难测出这个问题 —— 基准大多只测只出现一次的事实。 ✅ 过量注入陷阱（over-injection trap）：不管用户问题是什么，每次都返回 Top20 条事实，把迁移历史、套餐信息一股脑塞进去。答案或许没错，但 Token 账单会居高不下。
重点：区分记忆产品优劣的核心测试，不是能不能回忆起事实，而是新事实能否正确覆盖旧事实、提示词只载入有效的那条。 选型建议：采购前，用你的这套三轮会话案例跑一遍产品，检查它存了什么、最后一轮注入了什么。 原因：厂商公布的基准分数大多只测召回率；一款召回 90 多分的产品，依然可能告诉 Dana 的客户：导出功能在 Postgres14 上可用。
小结：五项操作、四种售卖模式、三类记忆形态：完整上下文、可重写档案、抽取事实库。 决断步骤是一次模型调用，可能丢事实、也可能重复存储事实；决断质量就是产品的核心差异。 覆盖问题、过量注入才是真正的两道考题；单纯召回是简单题。
1 级：市场全景图
本章节回答：市面上到底有哪些方案，上手成本如何？ 三十款产品，按照供给方分成七大品类。同一品类的产品，存储形式、读取逻辑、计费方式往往趋同；先看品类定位，比厂商自己的宣传标签更靠谱。下面每款产品从五个维度说明：存储内容、读取方式、冲突处理、价格、纳入调研的理由。
品类 1：开源核心记忆层
独立记忆产品，代码开源可自建，同时提供厂商托管付费版本；记忆就是它的核心业务，互相直接竞争。
- Mem0
-
存储：从对话提取简短事实，可选实体图谱； -
读取：新消息做嵌入检索，返回语义最近的事实； -
冲突：新事实追加，不会替换旧记录； -
费用：Apache-2.0 开源；托管版每月 5 万条事实、1 万次查询以内免费（使用你自己的模型密钥），超额按事实计费； -
入选理由：Star 数最高的独立记忆层，是绝大多数竞品基准测试里的对照项。 - Zep（Graphiti 引擎）
-
存储：人物、实体、时间构成图谱，每条事实是带起始时间的关联边； -
读取：同时三路检索：嵌入检索、关键词、图谱链路遍历，合并结果，只返回查询时间点有效的事实； -
冲突：旧事实打上结束时间，不会删除，可以回溯历史状态； -
费用：引擎 Apache-2.0 开源；Zep Cloud 赠送 1 万免费积分，之后 5 万积分每月 125 美元；一条消息上限 350 字节消耗 1 积分，读取免费； -
入选理由：调研里时序图谱实现最清晰的产品，也是 Mem0 基准测试里最常对标的竞品。 - Letta
-
存储：常驻提示词内的简短笔记块，外加智能体可读写的文件； -
读取：笔记块常驻提示词；文件由模型自主决定何时打开； -
冲突：模型原地重写笔记块； -
费用：Apache-2.0 开源；托管套餐起价每月 20 美元，API 套餐按智能体、工具调用时长计量； -
入选理由：把常驻提示词笔记方案普及开来；该公司 2026 年转向编码智能体业务，原版服务进入维护期，我们关注的是它的架构设计，而非当前商业化产品。 - Supermemory
-
存储：事实图谱、用户档案、文档 / 对话原始切片； -
读取：同时检索切片与事实，外加常驻的档案摘要； -
冲突：后台 “梦境（dreaming）” 流程把新记忆合并进图谱；冲突事实的处理逻辑文档未写明； -
费用：MIT 协议开源；赠送 5 美元额度，之后 19/100/399 美元每月，底层按存储 Token、查询次数计量； -
入选理由：无时序维度的图谱方案，用来和 Zep 做对照；种子轮公司，融资约 260 万美元，需要评估厂商存续风险。 - Memobase
-
存储：固定档案字段（套餐、偏好等）+ 带时间的事件列表； -
读取：档案完整注入提示词，事件走检索； -
冲突：合并逻辑判断是追加、更新字段还是丢弃； -
费用：Apache-2.0 开源，免费；调研当日云服务无法访问； -
入选理由：最干净的固定插槽档案设计；自 2026 年 1 月后无代码提交，调研仅参考它的读写架构，不作为采购选项。
品类 2：推理与图谱层
产品主打：记忆需要推理归纳，而不只是存储；存入的内容，是经过合并、关联、推导之后的结论。
- Honcho
-
存储：分三档结论：用户直接陈述、推导结论、猜测内容，而非原始原话； -
读取：基于结论回答用户相关问题，或在 Token 上限内返回消息、结论、摘要； -
冲突：积累足够多新信息、冷却期结束后，后台统一合并结论； -
费用：AGPL-3.0 开源（很多企业直接排除这个协议）；托管方案每摄入百万 Token 收费 2 美元，读取免费，最低起充 5 美元； -
入选理由：唯一以 “结论” 而不是原始事实作为记忆单元的产品。 - Hindsight
-
存储：抽取事实，后台合并为同一个实体对应的摘要； -
读取：融合嵌入检索、关键词、图谱、时间信息，重排并裁剪至 Token 预算； -
冲突：合并后的摘要更新，保留历史版本；完全矛盾场景的规则未说明； -
费用：MIT 开源；托管：每留存百万 Token 10 美元，每检索百万 Token 0.75 美元，每次反思调用 0.05 美元； -
入选理由：调研里公开基准分数宣传最高；四个月内 Star 数翻三倍，不要仅凭热度判断，需要看 Star 增长历史。 - Cognee
-
存储：文档、对话构建关联事实图谱，同时支持嵌入检索； -
读取：召回接口自动选择图谱、嵌入、会话检索策略，返回证据来源； -
冲突：文档未明确；提供删除接口；时序事实仅企业版可用； -
费用：Apache-2.0 开源；赠送 100 万免费 Token，超额每百万 1 美元；时序能力企业专属； -
入选理由：同时面向文档和对话场景的图谱产品，少数自带删除接口；支持用轻量本地实体模型抽取，降低抽取成本。 - MemOS
-
存储：清洗掉闲聊内容，记忆打上标签：事实、偏好、历史事件； -
读取：针对问题检索对应类型的图谱与向量；排序、注入逻辑细节缺失； -
冲突：合并近似内容，定期更新保留历史；矛盾处理规则无说明； -
费用：Apache-2.0 开源；托管版无公开定价； -
入选理由：国内厂商，基准宣传数据亮眼，2026 年中拿到融资，但没有公开价格用来评估性价比。 - Memori
-
存储：自动从经过它的每一次模型调用里抽取事实； -
读取：自动召回，无需你手动调用，自动把选中记忆注入每轮请求； -
冲突：文档无描述； -
费用：Apache-2.0 开源；5000 条记忆、15000 次召回以内免费；团队版年费起步 6 万美元； -
入选理由：免费到付费门槛差距极大；由 GibsonAI 的 memori 更名；论文和 README 标注的基准分数不一致。
品类 3：平台原生记忆
你正在使用的智能体云平台、助手自带功能，不需要单独采购。
- Amazon Bedrock AgentCore Memory
-
存储：会话原始事件，后台抽取事实、偏好、长期摘要； -
读取：代码在指定作用域检索记录、加载原始历史，自主决定注入内容； -
冲突：合并流程决定新建记录或更新；矛盾处理规则无说明； -
费用：闭源；每摄入 GB 1 美元，检索 GB 0.2 美元，存储 GB 每月 0.1 美元；内置抽取的长期记录每千条每月 0.75 美元，自行抽取则 0.25 美元； -
入选理由：唯一把抽取步骤单独定价的产品，直观体现抽取环节的成本。 - Google Memory Bank
-
存储：按用户 / 作用域存储事实，保留修订历史； -
读取：代码 / ADK 按需预加载或者拉取记忆； -
冲突：新事实冲突时直接删除旧记录； -
费用：闭源，Gemini 企业智能体平台；第三方报价：带修订记录每 GiB 每月约 0.3 美元，另加算力费用； -
入选理由：在冲突更新这个问题上方案最直接：直接删除旧事实。 - Microsoft Foundry memory + Agent Framework
-
存储：用户档案、会话摘要、习得的工作流程； -
读取：会话开始拉取一次档案；摘要、流程按需拉取； -
冲突：模型裁决冲突，删除指令即时生效； -
费用：预览版；你承担对话、嵌入模型费用，存储计价项已列出但暂无公开费率； -
入选理由：唯一会记忆 “流程习惯”，而不只存事实的平台方案；仍处于预览；老的 Semantic Kernel 进入维护。 - OpenAI
-
存储：ChatGPT 记忆 + 用户档案；Codex 本地摘要；API 本身只保留会话状态； -
读取：ChatGPT 自动把记忆摘要带入新对话；Codex 启动载入记忆；开发者无法查看、干预； -
冲突：后台 “梦境” 流程重建档案，更新时效性内容； -
费用：无单独收费，包含在订阅内； -
入选理由：落地规模最大的记忆功能，不开放 API 供开发集成，它只用来建立用户预期，不是选型方案。 - Anthropic
-
存储：claude.ai 存储主题条目；Claude Code 本地 Markdown + 索引；API 记忆工具由你自行托管文件； -
读取：模型先列出记忆目录，按需打开文件； -
冲突：模型直接重写文件； -
费用：无单独费用；只付 API Token + 你自己的存储； -
入选理由：API 记忆是模型自行编辑的文件目录，是调研里最轻量的架构。
品类 4：框架内置记忆
智能体框架自带记忆模块，随框架开源，你只承担模型 Token 成本。
- LangMem（LangGraph Store）
-
存储：事实集合、单份档案、提示词规则，存入 LangGraph 存储； -
读取：逐轮检索，或者档案整体注入； -
冲突：后台管理器调用模型执行增删改； -
费用：MIT 开源免费； -
入选理由：后台冲突 reconciliation 的标杆设计，很多框架模仿这套逻辑。 - LlamaIndex Memory
-
存储：最近对话队列；队列满了就压缩为固定摘要块、抽取事实、可检索存储，带优先级； -
读取：按优先级组装进提示词，控制在 Token 预算内； -
冲突：内容达到上限后做摘要压缩，而不是覆盖旧事实； -
费用：MIT 开源免费； -
入选理由：同时支持档案块、事实、检索三种形态的最简内置方案；旧 Buffer 类记忆已经废弃，无迁移文档。 - Mastra memory
-
存储：常驻工作记忆文本、可供检索的历史消息、长期浓缩观察； -
读取：工作记忆常驻提示词；长历史用嵌入检索、读取浓缩观察； -
冲突：工作记忆直接替换，用 Null 代表删除； -
费用：Apache-2.0 开源自建免费；托管网关团队版每月 250 美元，10 万记忆 Token 之后超额计量； -
入选理由：调研里少数公开对比、记忆方案超过纯全量上下文的基准；第三方 2026 年 2 月测试发现它的 Observer 组件在部分 Claude 模型上会报错。 - CrewAI memory
-
存储：统一类型条目；存储时由模型判断条目归属范围、重要程度； -
读取：嵌入检索条目； -
冲突：相似度超过阈值的近似条目交给模型，决定保留、更新、删除； -
费用：MIT 开源免费； -
入选理由：源码直接写明相似度阈值，也就是判定 “同一条事实” 的标准；旧记忆类型合并，无迁移文档。 - Google ADK + Pydantic AI
-
存储：ADK 会话送入 Google Memory Bank；Pydantic AI 核心本身没有长期记忆； -
读取：ADK 预载入记忆，或者让智能体用工具拉取； -
冲突：跟随 Memory Bank 逻辑； -
费用：Apache-2.0 / MIT 开源免费；ADK 记忆费用由 Memory Bank 结算； -
入选理由：两个热门框架的两个极端：完全委托外部记忆、原生不带长期记忆；Pydantic AI 还没到 1.0 正式版。
品类 5：数据库厂商记忆方案
数据库厂商推出记忆服务或者参考实现，把记忆落进自家数据库。
- Redis Agent Memory
-
存储：带过期时间的近期会话消息 + 后台抽取长期事实； -
读取：嵌入检索、关键词检索或组合；按用户、会话、主题过滤；接口直接返回可以送入提示词的消息； -
冲突：哈希、嵌入匹配、模型判断合并重复；矛盾处理无文档； -
费用：研究服务 Apache-2.0 开源；Redis Iris 商业版提供支持，价格未公开； -
入选理由：数据库厂商里最接近完整记忆层的方案。 - Elastic 参考设计
-
存储：三类索引：事件、事实、流程； -
读取：读取时合并三套索引检索结果； -
冲突：新事实隐藏旧事实，而不是删除；独立的删除工具才会真正清除； -
费用：MIT 演示项目，不算正式产品；你承担集群成本； -
入选理由：写得最清晰的 “覆盖而非删除” 规则。 - Neo4j / MongoDB / Memorizz
-
存储：Neo4j：图谱事实；MongoDB：给 LangGraph 做键值存储；Memorizz：基于 MongoDB 的记忆层； -
读取：Neo4j 图谱检索；MongoDB 按键读取； -
冲突：Neo4j 通过精确匹配、模糊匹配、嵌入匹配合并重复，支持人工复核；MongoDB 直接覆写； -
费用：有免费层；Neo4j 托管预览版不正式支持；Memorizz 非商用协议； -
入选理由：绝大多数团队已经在用的图数据库、文档库，用记忆能力作为留存客户的卖点。
品类 6：编码助手内置记忆
嵌入开发者工具内部，没有 API，没有单独定价；它们记忆代码库，而不是终端客户，无法用 Dana 这个客服案例测试。
-
GitHub Copilot memory：存储仓库相关事实，附带来源引用，使用事实时会重新校验来源；28 天不使用就过期，不会自动覆盖旧记录；免费内置；调研里唯一一个使用时回查原始来源的产品，公开过合并率数据。 -
Cursor、Windsurf、Claude Code、VS Code：带容量上限的档案文件；会话开始读取文件；不会自动替换旧行；内置免费，也是所有独立记忆厂商定价的对标基准，证明带上限的文件记忆就能覆盖大部分需求。
品类 7：学术原型与本地优先方案
论文配套代码、本地插件，记忆保存在开发者本机；大多是单人维护，部分后期加云版本；其中两款 GitHub Star 超过品类 1 里很多产品。
- A-MEM
-
存储：模型撰写关键词、标签的笔记，笔记之间相互关联； -
读取：检索笔记和关联链路； -
冲突：新笔记关联旧笔记时重写旧笔记标签，不会让旧事实失效； -
费用：MIT 学术代码免费； -
入选理由：关联笔记思路的起源；独立评测里索引构建极慢，一次基准需要 15 小时；同名仓库很多，最后更新 2025 年 12 月。 - MemoryOS / EverOS
-
存储：短期、中期、长期三层；EverOS 增加场景分组； -
读取：MemoryOS 汇总所有层交给模型；EverOS 混合检索，按用户 / 智能体 / 会话过滤； -
冲突：访问热度提升层级；EverOS 后台反思合并；矛盾规则无说明；两者是名字近似的无关项目； -
费用：MemoryOS Apache-2.0 免费；EverOS 开源核心，第三方披露免费档、25 美元档、定制云档； -
入选理由：热度晋升机制；独立测试里单轮延迟最高，超过 32 秒。 - HippoRAG 2
-
存储：文档实体图谱； -
读取：从问句实体出发遍历图谱，对段落排序； -
冲突：无自动处理，提供删除工具； -
费用：MIT 学术代码免费；索引构建才是真正成本； -
入选理由：图谱检索方案，很多记忆厂商借鉴它的思路；Alpha 版本，索引和构建它的模型绑定，换模型就要重建索引。 - OpenViking
-
存储：文件夹树形结构，资源、记忆、技能，每个文件夹带摘要； -
读取：模型自上而下读取文件夹摘要，再在子目录检索； -
冲突：文档无描述； -
费用：AGPL-3.0 开源核心，火山引擎云服务；前 50 个文件免费，超额价格未公开； -
入选理由：国内云厂商，一年内积累了和品类 1 相当的关注度；390 个未解决 Issue，所有模型请求经过腾讯代理。 - TencentDB-Agent-Memory
-
存储：原始对话、抽取事实、场景信息分层存储； -
读取：前置在模型 API 之前，把人设、场景层注入提示词；检索有数量、时间预算； -
冲突：文档无描述； -
费用：MIT 开源免费； -
入选理由：2026 年 4 月发布，已经是调研里 Star 靠前的仓库。 - claude-mem / agentmemory / OpenMemory
-
存储：开发者本机数据库，记录编码智能体操作； -
读取：claude-mem 会话开头注入近期观察，支持检索、时间线；agentmemory 在 Token 预算内检索； -
冲突：agentmemory 保留版本，旧版本在检索中隐藏；claude-mem 没有自动覆盖逻辑；OpenMemory 是 Mem0 旧本地服务； -
费用：本地免费；claude-mem 30 天试用后托管观测服务收费； -
入选理由：claude-mem 是本次调研 Star 最高的记忆仓库，属于 Claude Code 插件而非商业记忆公司；有评测指出它默认上传使用数据；agentmemory 单人维护。
小结：主流记忆存储形态：简短事实、图谱、单份笔记页、文件夹文件、带历史关联笔记、冷热双列表、带索引完整对话。 存储形态优先看文档，读取逻辑、更新逻辑都由它决定：时序图谱记录 Postgres14 什么时候失效；笔记页每次全量注入；文件由模型按需打开；事实库返回检索结果。
补充提醒：有三款产品纳入调研仅为参考架构，不建议采购：Memobase 九个月无提交、Zep 下线社区自建版、Letta 原版服务进入维护。看厂商基准之前，先看代码最后更新时间。 免费选项是平台记忆、编码助手原生记忆；所有独立记忆服务商，定价都在和它们对标。
2 级：存储与冲突处理
本章回答：Dana 案例里，收到 Postgres16 之后，Postgres14 这条记录会怎么样？ 记忆写入三步：
-
产品观测对话； -
判断要不要存、要不要替换旧记录； -
写入存储。 第一步全部产品一致；决断步骤分出六种行为，Dana 的 Postgres 例子可以清晰区分它们： - 仅追加（Add only）
抽取的事实直接新增，旧记录不失效。Mem0 当前文档逻辑、A-MEM、HippoRAG2 都属于这类。Dana 第 14 天库里面两条都存在，答案好坏完全看模型判断。Mem0 自己 BEAM 测试里，冲突场景是它的短板。 - 模型裁决合并（Reconcile with a model）
新事实和存量对比，模型输出新建 / 更新 / 删除。LangMem、Google Memory Bank、微软 Foundry、CrewAI、AWS AgentCore、Memobase。Memory Bank 文档写明冲突记忆直接删除；微软由模型消解冲突；CrewAI 检索相似度 0.85 以内最多 5 条，交给模型判断，去重阈值 0.98；Memobase 每次缓冲区刷新最多三次模型调用，返回追加 / 更新 / 放弃。 - 时序图谱（Temporal graph）
事实是实体之间的边，带生效起止时间。冲突到来，旧边打上结束时间而不是删除。Graphiti 就是这套方案，是 Dana 案例最干净的实现；Cognee 时序能力仅限企业版。第 14 天查询 “当前版本” 只会拿到生效边，历史还保留用于审计。 - 笔记块原地重写（Rewrite a block）
固定大小文本块，模型直接编辑。Letta、Mastra 工作记忆、LlamaIndex 静态块、Anthropic 记忆工具、Claude Code、ChatGPT 档案。覆盖等价于文本替换，效果取决于那一轮模型质量；Mastra Schema 模式深度合并，Null 代表删除，规则更明确。 - 版本链（Version chain）
新事实替代旧事实作为检索结果，旧版本后台留存。Elastic 参考设计、agentmemory、Hindsight。这正是 Dana 案例想要的形态：只有一条当前有效答案，同时保留变更链路。 - 热度晋升（Promote by heat or stage）
事实先进入短期队列，访问热度达标才晋升长期档案。MemoryOS、EverOS、MemOS。最终哪一条留在档案，取决于访问频次，难以预判，也很难向客户解释。
再看决断步骤的隐性成本：每会话 / 每轮一次模型调用，有两层损失：模型丢掉事实、模型输出格式异常。 一份独立研究（arXiv:2602.19320）测试 12 套记忆系统：抽取步骤格式错误率，gpt-4o-mini 约 18%，3B 参数量 Qwen 模型约 30%。中小模型大约五次抽取就有一次静默失败：重试、丢弃事实、写入脏数据。 A-MEM 构建一份索引要 15 小时；同一个评测任务，有研究系统消耗 700 多万 Token 做索引构建。厂商基准幻灯片基本不提这笔成本。 Memori 论文写单次查询 1294 Token，README 写高精度场景 721 Token；同一家厂商两个数据差接近一倍；采购时一定要确认售卖的是哪一套流水线。
重点：每一次抽取都是模型调用，可能丢事实、输出非法内容；独立测试中小模型五分之一抽取会失败。 落地建议：记录每轮会话后产品存储的内容，先观测几百个用户。 原因：一条丢失的 Postgres16 记录，直到第 14 天才会暴露；召回分数完全反映不出它根本没有被写入。
小结：六种写入逻辑：仅追加、模型合并、时序图谱、笔记重写、版本链、热度晋升。只有三种设计会主动让旧的 Postgres14 失效。 合并、笔记重写依赖每一轮模型判断；时序图谱、版本链把覆盖做成固定规则。 决断步骤有失败率、构建成本，基准测试会掩盖这些开销。
3 级：读取机制
本章回答：Dana 第三轮请求拿到了什么，每一轮成本怎么算？ 读取两步：
-
检索相关内容：六种检索方式，可以组合使用： -
无检索：记忆足够小，全部载入； -
嵌入检索：问句转向量匹配存量； -
关键词匹配：重合词汇匹配； -
图谱遍历：从问句实体顺着关联边找事实； -
过滤器：限定用户、会话、主题、时间范围； -
智能体自主检索：模型拿到工具，自己决定查什么、打开什么文件。 -
在 Token 预算内，把结果注入提示词。
市面上四类主流读取架构：
- 常驻提示词（Always in the prompt）
记忆体量很小，每轮全部注入。Letta 笔记块常驻系统提示词；微软 Foundry 会话开始拉取一次档案；Claude Code 启动加载索引前 200 行 / 25KB，主题文件按需打开；Copilot 只按新旧排序注入，不做检索。成本固定；缺陷是会膨胀，要么模型自行裁剪，要么人工限制容量。Copilot 记忆 28 天不用就过期，只用时效性排序：没用过的正确事实消失，反复被访问的过时事实留存。 - 逐轮检索（Search per turn）
新消息向量化，召回距离最近事实注入。抽取事实库都属于这类。单轮可变成本 = 召回事实总长度。Mem0 2026 基准中单次查询预算约 7000Token；Supermemory 返回 15 条结果 720Token，召回率 95%；Memori LoCoMo 测试 721Token、87% 召回。700Token 附近扎堆，是召回 - 成本曲线的拐点，不是通用标准。 一份论文（arXiv:2609.27334）证明：读取时按需筛选记忆，相比写入时一次性固化筛选，单任务增加约 1900Token，但任务步骤减少 19%~22%；已知问题再筛选，比提前预判所有问题更优。 - 智能体自主读取（Agentic read）
模型拿到工具，自己决定拉取什么。Letta 读写文件、Anthropic 记忆目录、OpenViking 读取文件夹摘要、EverOS 智能检索。代价是可能需要多轮工具调用；好处是模型只拉真正需要的那一条事实。Letta 只用文件工具、无检索索引，LoCoMo 拿到 74 分，和不少专业存储产品持平。 - 融合检索（Fused search）
多路信号合并。Hindsight 融合嵌入、关键词、图谱、时间，交叉编码器重排；Elastic reciprocal rank fusion + 重排 + 时间衰减；CrewAI 打分：相似度 50%、30 天半衰期时效性 30%、重要性 20%；agentmemory 基础关键词，可升级嵌入检索。当单用户事实达到几千条，单纯嵌入就近匹配就不够用，融合检索才需要上场。
读取环节要盯紧延迟：读取在模型生成回答之前执行。 Mem0 2025 年评测 LangMem：中位数检索 18 秒，95 分位 60 秒（竞品自测，旧版本）；读取耗时超过模型推理本身，属于架构缺陷，不是调参问题。Mem0 宣称 95 分位延迟比全量上下文低 91%；Memobase 档案读取 < 100ms；档案读取是简单键查询，检索是索引 + 模型调用，两者不是一类产品。 独立 12 系统评测里 MemoryOS 单轮延迟超过 32 秒，这类研究原型不能直接上线。
重点：账单跟着每轮注入 Token走，不是存储 Token；读取架构在跑基准之前就决定了这个数值。 落地建议：用你的真实会话，实测候选产品单轮注入 Token；厂商标注的 “每查询 Token” 只是他们选定的测试预算，不等于你的业务数值。 原因：两款召回分数一致的产品，单轮成本可能差五倍，这个差异每一轮都会持续产生。
小结：四种读取方案：常驻提示词、逐轮检索、智能体自主读取、融合检索；根据单用户事实总量选择。 单轮 Token、单轮延迟，必须自己实测。 在知道用户问题的读取阶段筛选，优于写入阶段一次性决断。
4 级：评测指标
本章回答：哪款记忆记得最好？厂商宣传的基准分数怎么读？ 两大主流基准：
-
LoCoMo：长双人对话，针对对话里陈述的事实提问； -
LongMemEval：多会话聊天历史，需要跨会话回忆、更新、推理；短版本约 10 万 Token，中版本超过 100 万 Token。 两者都用大模型裁判，判定回答是否匹配标准答案。
第一个判断点：模型能不能直接读完整个基准？ LoCoMo 对话约 2 万 Token；LongMemEval 短版本 10.3 万 Token；只有它的中版本（百万 Token）超出当前模型上下文窗口。 一款产品在模型原生能读完的数据集拿到高分，不代表记忆带来收益，只代表记忆没有明显拖后腿。 Mem0 论文里，全量上下文得分 72.9，Mem0 只有 66.88（厂商自测）：直接发全部对话反而更高；它的优势是延迟、Token 消耗，不是准确率。 Mastra 在 LongMemEval，gpt-5-mini 拿到 94.87、gpt-4o 拿到 84.23，对照组全量上下文 60.20（厂商自测，gpt-4o 做裁判）；这个反过来的结果，是对照组模型长上下文能力弱，分数是下限，不是天花板。
第二个判断点：是谁在打分？ 同一批答案换裁判重评，分数可以从 55.8% 跳到 81.4%，浮动 26 个点；竞品仓库普遍观测浮动区间 15~25 点。头部几家厂商 LoCoMo 分数差距，还不如不同裁判带来的波动大。 Zep 复测 Mem0 给出的 Zep 分数，得到 75.14，而 Mem0 标注 65.99；第三方 Omi 仓库测出 Zep 58.4；同一个产品、同一个基准，三组公开结果跨度 17 分。 2026 基准论文、Redis 文档都提到：社区反馈大量厂商公开 LoCoMo 分数无法复现。无法复现的分数，在被独立验证前只能当作营销素材。
第三个判断点：基准没测什么？ Zep 自己说明：LoCoMo不含知识更新类问题—— 也就是 Dana 这个 Postgres 版本覆盖场景，所有厂商主推的基准都不打分。 一套 12 系统统一测试床，知识更新题最高精确匹配分只有 44.4%。“哪一个才是当前有效值” 这个场景，当前业界最好水平正确率不到一半，但厂商宣传页全是 90 多分的召回分数，测的是别的东西。 同一份测试里 A-MEM 模型裁判排名很高，但精确匹配 F1 只有 0.116；词重叠指标、模型裁判指标会互相矛盾，厂商会挑对自己有利的指标展示。
过滤之后，厂商公布的 LoCoMo 梯队（都是厂商自测，裁判各不相同）： EverOS 93.05、Mem0 92.5、Honcho 89.9、Hindsight 论文 89.61 / 官网 92.0、MemOS 88.83、Memori 87；前六家只差 6 分，裁判各不相同，这个排序没有说服力。 OpenViking 在豆包模型上 80~83、Memobase75.78、Zep 自测 75.14、Letta 纯文件 74.0；中段梯队是文件读取、档案存储，成本远低于头部。 A-MEM 47.2、HippoRAG2 在竞品评测里 69.9；学术原型在第三方手里分数大幅下滑。
LongMemEval 趋势类似：Mem0 宣称 94.4、Mastra94.87、Hindsight 论文 91.4、Honcho90.4、Redis 研究环境 86.5（约 7 美分每会话）、EverOS83。没有厂商会在首页单独放出更新子集的得分。
重点：一个分数，如果缺少同模型基线全量上下文对照组、标注裁判、索引构建成本，它只是宣传，不是有效测量。 落地建议：先看厂商表格里有没有全量上下文行；缺失就索要；如果有，产品收益是差值，而不是分数本身。 原因：有厂商论文放了对照组，全量上下文反而赢 6 分；产品真正卖点变成延迟、成本，而不是准确率。
小结：两大主流基准大多在模型上下文窗口以内；高分只代表记忆没有破坏召回，不代表记忆提升效果。 裁判差异带来的分数波动，大于头部厂商之间的差距。 知识更新（覆盖测试）独立测试最优正确率不足一半。
5 级：账单拆解
本章回答：钱花在哪，很少标出来的隐性计费项是什么？ 五种定价模式，一款产品可能同时用两种：按 Token、按存储消息、套餐订阅、平台存储 + 算力、打包进订阅。价格来自 2026-10-27 定价页。 换算到单会话成本后，可以看到：Honcho 和 Hindsight 摄入成本差五倍，这个差距来自后台推理合并，不管这一轮用户需不需要，推理成本都要付。 Zep 一个积分上限 350 字节；用户长消息一轮消耗多个积分，估算成本要用你的消息中位长度，而不是消息条数。 AWS 自己提供抽取服务，价格是你自行抽取记录的三倍，这直观说明了抽取才是成本大头。 三款套餐产品计量维度完全无关：新增记录数、智能体运行秒数、年费。 平台记忆初期看着免费，账单合并进原有云账单，财务很少单独质疑。
最容易被忽略的计费项：抽取环节的模型调用。绝大多数定价模式下，这个模型是你自己的。 Memobase 缓冲区刷新最多三次模型调用；Elastic 逐轮合并让每轮模型调用翻倍；Redis 研究环境 LongMemEval 单会话约 7 美分；HippoRAG2 索引 11656 段文本消耗 920 万输入 Token，耗时 100 分钟。 一天一千次会话，单会话 7 美分，每月抽取成本 2100 美元，这笔钱付给模型厂商，不是记忆服务商。 Mem0 论文写了延迟优化、每查询 Token，但没有摄入成本；而对比记忆和全量上下文成本，摄入成本是必不可少的数据。
重点：抽取模型才是真正的计费大头；记忆服务商的费用通常是次要开销，更大账单来自你的大模型供应商。 落地建议：记忆总成本 = 每会话抽取 Token + 每轮注入 Token，厂商服务费排第三。 原因：免费档 5 万条新增记录，服务商不收费，但生成这些记录的模型每月可能几百美元开销。
小结：五种计量：Token、事件、席位、存储算力、打包订阅；对比前统一换算成你的会话成本。 除打包订阅外，抽取 Token 都由你的模型供应商扣费。 AWS 官方抽取定价是自建抽取的三倍，这个比例可以作为通用估算参考。
6 级：权限与可控性
本章回答：谁可读记忆、谁可以删除记忆、记忆会不会被投毒、能不能迁移走？ 记忆存储是对话结束之后，用户语句唯一持久留存的地方；五项控制能力决定风险边界：
- 租户隔离
A 用户的事实绝对不能进入 B 用户提示词。AWS 按主体、命名空间隔离；Memory Bank 仅在同一作用域合并、IAM 控制读取；微软单存储最多 100 作用域，每个作用域最多 1 万记忆；Mem0、Zep、Honcho 等靠用户 ID 隔离，ID 正确性由你的代码保证。Elastic 参考设计做过 168 题泄漏测试，零跨租户泄露（厂商自测），只是冒烟测试，不等于绝对安全。 - 删除能力
用户删除对话、要求被遗忘时的行为。删除 ChatGPT 对话、Claude 网页对话，不会删除从中生成的记忆，记忆面板是独立入口，隐私协议必须区分两种删除。Copilot 记忆闲置 28 天过期；AWS 原始事件 3~365 天可配置过期；Memory Bank 修订记录默认存活 365 天；微软支持存储级 TTL。过期是主流方案；即时 “遗忘本条” 接口，只有微软、Elastic 等少数设计支持。一份安全调研指出：目前所有上线架构，不存在可验证的彻底遗忘方案；你可以删行，但无法证明这条事实已经从所有衍生摘要里彻底清除。 - 溯源（Provenance）
能不能回答 “智能体为什么相信这条信息”？Copilot 每条事实附带代码引用，使用时重校验来源；Hindsight 每条观察附带证据计数；Memory Bank 记录每一次修订；agentmemory 版本链。这四款支持溯源：一个编码工具、图谱层、平台、单人维护插件；主流事实存储库大多不支持。 - 投毒风险
持久记忆相当于跨会话持续生效的提示注入。2026 分析证明：被污染的持久记忆伤害远大于单次注入，因为每一轮会话都会重新注入。Google Memory Bank 文档直接标注投毒风险；安全调研列出九项记忆存储必要控制：写入网关、溯源、主体隔离、回滚、删除语义等；调研测试的六种主流架构，没有一款覆盖全部九项能力。厂商只实现一部分，剩下的防护必须你自己编码补齐，或者接受风险缺口。 - 导出与锁定
能不能导出记忆、切换服务商？Letta MemFS 是 Git 管理的 Markdown；Claude Code、Codex 本地文件；Anthropic 记忆文件由你托管；OpenViking 导出可编辑 Markdown。文件型方案天然容易导出，是它们对比托管服务的核心优势。同时有产品频繁变更：Zep 下线社区自建版、Letta 移除 AgentFile 导出格式、Cursor 在半年内隐藏记忆功能、Mem0 主分支移除 OpenMemory 文件夹但文档还在、Memobase 云服务失联。短短一年，调研里五款产品改动或砍掉了用户正在集成的能力。ChatGPT 记忆没有开放 API，外部应用无法读取；用户量最大的记忆，恰恰不可导出。
重点：调研里没有一款产品覆盖全部九项安全控制；经过验证的彻底遗忘，目前没有可用落地实现。 落地建议：先列出候选产品覆盖了哪几项，剩下的自己实现；记忆优先存成可导出文件格式，不要等到上万用户数据锁死在服务商手里。 原因：无法删除、无法溯源、无法导出的记忆，负债会随会话持续增长；甚至厂商可能在你迁移前就下线产品。
小结：租户隔离依赖你的用户 ID；删除大多是过期机制；溯源只有少数产品支持。 被投毒记忆跨会话生效；写入网关、回滚是你主要的防护手段。 优先可导出为文件的存储；一年内多款产品变更集成接口。
7 级：依托载体适配
本章回答：我到底要不要额外买记忆产品？我在用的工具本身有没有？ 记忆的四种部署载体，优先看你已经在用哪一个：
- 助手内置记忆
Copilot、Claude Code、Cursor、VS Code、Codex、ChatGPT、claude.ai。记忆服务于工具本身、代码库，没有对外 API，随订阅免费。如果你的智能体就是编码助手，原生记忆就够用，只需要写好规则文件。GitHub A/B 测试显示 Copilot 记忆合并率从 83% 提升到 90%（厂商宣传，样本量未披露）。Claude Code 四类笔记，索引加载上限 200 行；VS Code 记忆同时按用户、仓库、会话隔离，同样 200 行上限；Windsurf 规则上限 6k~12k 字符。所有内置记忆本质都是带容量上限的档案文件，和 Dana 案例里的档案方案一致。Codex 记忆默认关闭，在欧洲经济区、英国、瑞士不可用。你规划的内置记忆，在部分地区可能直接不可用。 - 框架内置记忆
如果你基于 LangGraph、LlamaIndex、Mastra、CrewAI、Google ADK 开发，框架自带存储。只付模型 Token，和你的智能体同环境运行，采购外部服务前优先测试这个。逻辑简单：LangMem 后台合并冲突、LlamaIndex 队列满了压缩成事实块、Mastra 替换工作记忆模板、CrewAI 阈值合并、ADK 把记忆交给 Google Memory Bank。Pydantic AI 核心无长期记忆，推荐 Zep 或者自家实验模块。 - 平台记忆
智能体跑在 Bedrock、GCP、Azure 上，平台记忆已经预置，和平台身份体系打通，账单合并进原有云账单。冲突靠模型裁决抽取；缺少图谱、梦境合并、高级重排能力，但迁移成本很高，没有特殊理由不需要换。 - 外部独立服务
Mem0、Zep、Honcho、Hindsight、Supermemory 等。适合跨多云部署、需要时序图谱、记忆本身就是产品核心的场景。大多支持 MCP 协议，编码助手和生产智能体可以共享一套记忆；代价是 MCP 服务在请求链路里，增加一个外部依赖。
重点：平台记忆、助手内置记忆随工具免费；所有独立记忆厂商，都在用它们作为对标基准。 落地建议：先用你框架 / 平台自带记忆跑三轮测试；只有免费方案跑不通你的业务场景，再采购外部服务。 原因：如果平台记忆能力足够，独立记忆厂商会丢失这块市场；图谱厂商只在跨大量事实推理场景才有明显优势；认清你的场景，就能看懂厂商基准面向谁。
小结：内置、框架记忆大多是带上限的档案文件；平台记忆是合并裁决存储，账单合并在云账单里。 外部服务的价值：时序图谱、跨平台、记忆作为核心业务。 先用免费方案跑三轮测试。
决策指南
-
智能体跑在单一云平台、面向自有客户：优先平台记忆（AgentCore / Memory Bank / Foundry）；验证三轮案例，看合并逻辑对冲突事实的处理、身份作用域是否匹配； -
智能体是编码助手、跑在工具内部：优先内置记忆 + 规则文件；检查文件容量上限、该功能在目标用户地区是否可用； -
基于框架开发，单用户事实少于一千条：优先框架存储（LangMem / LlamaIndex / Mastra / CrewAI）；实测单轮注入 Token，确认冲突时旧事实能被覆盖； -
用户积累几千条事实、问题需要关联大量事实：时序图谱（Graphiti）或融合检索（Hindsight）；核对基准是否有全量上下文对照组、裁判是谁、按你的消息长度估算抽取成本； -
需要人工查看、编辑智能体相信的内容：文件型记忆（Letta MemFS、Anthropic 记忆工具、OpenViking）；确认导出是完整文件夹拷贝，并且第 9 轮模型修改确实覆盖旧行； -
需要追溯智能体结论来源：带溯源能力产品（Copilot 引用、Hindsight 证据计数、Memory Bank 修订、agentmemory 版本链）；确认溯源记录在合并流程之后依然保留； -
记忆需要支持用户随时要求删除：支持即时删除、单条目删除的方案（Foundry、Elastic 参考设计、自托管文件）；确认衍生摘要如何处理，目前没有方案能彻底清除衍生内容； -
两个候选产品二选一：用你的三轮案例 + 10 份真实用户历史；校验覆盖能力、单轮注入 Token、每会话抽取 Token、对比同模型全量上下文的开销差值。
重点总结
-
所有记忆产品本质都是修改送入模型的提示词；不会让大模型真正学会东西，只需要评判它的提示词编辑逻辑； -
市场三类基础形态：全量上下文、可重写档案、抽取事实库；绝大多数内置记忆是档案形态； - 覆盖测试（新事实替代旧事实）才是区分产品的核心考题，主流基准不考它
； -
只有时序图谱、版本链在机制上保证旧事实失效；模型合并、笔记重写依赖当轮模型质量；仅追加方案新旧共存； -
独立测试：中小模型抽取大约五次就有一次静默失败； -
账单跟随每轮注入 Token；自己实测，厂商标注的是他们选定的测试预算； -
两大主流基准大多能放进上下文窗口；高分只代表记忆没有破坏召回，不等于提升效果； -
裁判选择可以带来最高 26 分的分数波动，超过头部六款产品之间的差距； -
知识更新场景独立测试最优正确率不足一半； -
抽取模型才是成本大头；AWS 抽取定价是自建抽取的三倍，可以作为估算参考； -
没有产品覆盖全部九项安全控制；经过验证的彻底遗忘，暂无可用方案； -
一年内多款产品变更、下线集成接口；记忆尽量存成可导出文件； -
平台、助手原生记忆免费；只有免费方案通不过你的三轮测试，才采购外部记忆