AI 的記憶怎麼做？Mem0、Letta、Zep 三個開源記憶層深入比較

先講結論

想讓 AI 記住使用者、不用每次重講背景，你要幫它加一層「記憶」。三個最常見的開源選擇，先給你一句話分流：

只是想幫現有的聊天機器人加記憶：先用 Mem0。API 最簡單、上手最快，記住使用者偏好和過去對話。
要做一個「會自己成長」的 AI agent：用 [Letta](/articles/github-tools/letta-stateful-agent-memory-guide)（前身是 MemGPT）。它不是外掛的記憶，而是一個本身就有記憶、會自己改寫記憶的 agent 框架。
需要記住「什麼時候變的」：用 [Zep](/articles/github-tools/zep-graphiti-temporal-memory-guide)。它把記憶做成有時間軸的知識圖譜，能回答「使用者以前喜歡 A、四月後改成 B」這種問題。

三個都有開源版、都要接 LLM 才能用。差別不在誰比較強，而在你在做的是什麼東西。這篇先各給你一段重點，深入介紹連到各自的單篇，最後回到「怎麼選、能不能一起用」。

先搞懂：AI 的「記憶」到底是什麼

一般聊天機器人每次對話都像新來的同事，你要一直重講背景。所謂「記憶層」，就是放在 AI 中間的一層，做三件事：

從對話裡挑出值得記住的資訊（例如「這個使用者是素食者」）。
存起來，之後可以搜尋、更新、刪除。
下次使用者提問時，先撈出相關記憶，再讓 AI 回答。

重點是它不是把所有歷史對話都塞回去（那樣又慢又貴），而是只取回相關的片段。三個工具都在做這件事，但做法差很多。

如果你只是自己跟 ChatGPT 聊天，暫時不用管這些；如果你在做客服機器人、AI 助理、長期任務 agent，才會需要記憶層。

Mem0：最好上手的「記憶外掛」

一句話：已經有 AI 應用、想幫它加記憶，Mem0 是最快那條路。它像外掛一樣接上去，用 LLM 從對話抽重點、靠語意搜尋撈回來，把記憶分成使用者／對話／agent 三種範圍。上手最快、雲端友善；但時間推理沒 Zep 強，本身也不是 agent 框架。授權 Apache 2.0，可自架。

深入看：mem0 是什麼？AI 為什麼需要長期記憶。

Letta：本身就有記憶的 agent 框架

一句話：你要做的不是「加記憶」，而是「做一個會記住、會成長的 agent」。Letta 前身是 MemGPT，把記憶當成 agent 的核心零件，分核心（RAM）／回想（硬碟快取）／封存（冷儲存）三層，最特別的是 agent 會自己改寫記憶、累積經驗。適合長期運作的 agent；但比外掛式記憶重，只想加記憶會殺雞用牛刀。

深入看：Letta 是什麼？做一個會自己記住、會成長的 AI agent。

Zep：記得住「什麼時候變的」

一句話：當「事實會隨時間改變」很重要時用 Zep。它把記憶做成有時間軸的知識圖譜，舊事實不刪、只標「到某時間為止有效」，所以能查「現在」也能查「四月時」的狀態，適合 CRM、醫療、客服。開源核心是 Graphiti（Apache 2.0），完整 Zep 走雲端；三個裡概念門檻最高。

深入看：Zep 與 Graphiti 是什麼？讓 AI 記得住什麼時候變的。

還有一個值得知道：Cognee

如果你很在意「全部自己架、不依賴雲端」，看 Cognee。它也走知識圖譜路線，但主打自架輕——預設用 SQLite、LanceDB、Kuzu 這種內嵌式元件，不用架一堆重服務，適合有資料落地、法遵要求的團隊。

深入看：Cognee 是什麼？想全部自己架、不依賴雲端的 AI 記憶引擎。

三個到底怎麼選？照「你在做什麼」分

mem0、Letta、Zep、Cognee 四個 AI 記憶方案的定位、最適合情境、上手難度、部署授權與記憶特色比較表

你在做的事	選這個	為什麼
幫現有聊天機器人加記憶	Mem0	API 最簡單、最快看到效果
做一個會長期成長的 agent	Letta	記憶是內建的，agent 會自己改寫
需要正確的時間軸、狀態變化	Zep	舊事實不刪只失效，能查歷史狀態
全部自架、法遵要求高	Cognee	元件可內嵌，維運最輕

換個角度，用「你煩惱什麼」來對：

「我只是想讓它記住這個人」→ Mem0。
「我要做一個像人一樣會累積經驗的東西」→ Letta。
「我要它知道事情是什麼時候改變的」→ Zep。

能不能搭在一起用？

先講實話：多數情況你會擇一，不會全裝。 三個都在解「AI 記憶」，功能重疊，硬疊在一起多半只是徒增維運負擔（多套 API、多個資料庫都要顧）。

但有兩種「分層搭配」是合理的：

Letta 當 agent 外殼，記憶存到 Mem0 或 Zep：你用 Letta 管 agent 的行為和身分，但把「使用者長期偏好」交給 Mem0、把「有時間軸的事實」交給 Zep。這是把 agent 邏輯和記憶儲存分開。
Mem0 存偏好、Zep 存事實時間軸：一個負責「這個人喜歡什麼」，一個負責「這個人的狀態怎麼變的」，兩種記憶性質不同，分開存反而清楚。

但這是進階玩法。新手不要一開始就想整合三個——先用一個把流程跑通，確認記憶真的有幫助，再考慮要不要分層。整合的維運成本（多個資料庫、多套 API、多份備份）很容易吃掉你省下的時間。

三個共通的風險，先知道

不管選哪個，AI 記憶都有幾個一定要面對的問題：

記憶就是資料：記住的如果是個資、健康、財務、客戶偏好，就要當敏感資料處理，要能刪除、匯出、授權。
錯的記憶會一直錯下去：AI 如果記住了錯誤資訊，之後每次都會用錯的背景回答，比沒記憶更糟。要有辦法檢查、修正記憶。
成本不只在儲存：抽取記憶、搜尋記憶、把記憶塞回回答，每一步都可能燒 LLM 的 token。用量大時這是真金白銀。
「GitHub 免費」不等於零成本：三個開源核心都免費，但你要自己付 LLM API、資料庫、主機、備份、維運。真正的成本在這裡。

想開始的話，我會這樣做

先確認你真的需要記憶：一次性問答、翻譯、摘要不需要。要跨對話、跨天記住人才需要。
從最輕的開始：多數人先用 Mem0 加在現有專案上，一天內就能看到「它記住了」。
做一個小測試：讓它記住一個使用者偏好（例如「回答請用條列」），確認新增、搜尋、刪除都能控制，再放進正式流程。
需求變複雜再換：要 agent 自主性就上 Letta，要時間軸就上 Zep，全自架就看 Cognee。

先證明記憶有用，再談架構。不要一開始就挑最複雜的方案。

下一步可以先看什麼

mem0 是什麼？AI 為什麼需要長期記憶：三個裡最好上手的那個，先從這篇入門。
AnythingLLM 私有 AI 知識庫：如果你要的其實是「把文件丟進去問答」，那是知識庫、不是記憶層。
Dify 是什麼：想把記憶接進一整套 AI 應用流程看這個。

參考來源

Mem0 GitHub：https://github.com/mem0ai/mem0
Letta GitHub：https://github.com/letta-ai/letta
Zep / Graphiti GitHub：https://github.com/getzep/graphiti
Cognee GitHub：https://github.com/topoteretes/cognee

本文最後查證日期：2026-06-09