给 AI Agent 加记忆层，我把 Mem0、Zep、Redis 放在同一套流程里测了一遍

你大概也遇到过这种瞬间：昨天你刚告诉 Agent，“我不吃香菜，周末喜欢短途出游”，今天它又一本正经地给你推荐香菜拌面，还问你“平时有什么兴趣爱好”。

这不是模型不聪明，而是你的 Agent 根本没有“记住你”。

2025 年做 Agent，一个越来越残酷的现实是：长上下文不等于长期记忆。你把 50 轮对话全塞进上下文里，模型看起来“知道很多”；但只要用户隔一天再来，或者任务跨一周继续，它马上就像“失忆客服”。RAG 能解决知识查找，但也不等于用户偏好、身份状态、任务进度这些“该被持续记住”的信息。

所以问题已经不是“要不要做记忆层”，而是：到底该选哪条路？

我把现在讨论度比较高、也最代表三种路线的方案放在一起测了一遍：

• Mem0：偏产品化、开箱即用
• Zep：偏长期记忆和关系组织
• 自建 Redis 记忆层：最朴素，但也最可控

这篇不测宣传页，只测一件事：谁的实际踩坑成本最低，谁更适合你的业务。

---

为什么 2025 年做 Agent，已经绕不开“记忆层”了

先把三个容易混淆的东西说清楚：

• 上下文窗口：这次对话里模型临时“看到”的内容
• RAG：从知识库里检索外部资料补充回答
• Memory Layer：持续保存并在未来召回“与这个用户/任务有关的信息”

它们像三个不同的抽屉：

• 上下文是桌面，临时放着
• RAG 是资料柜，需要时翻文档
• 记忆层是通讯录和工作日志，长期保存“这个人是谁、做过什么、有什么偏好”

很多 Agent 做不成产品，不是模型差，而是它永远停留在“每次都像第一次见用户”。

一个 ToC 的例子最明显。比如 AI 学习教练，用户上周说自己是考研党、晚上 10 点后学习效率最高、数学薄弱。如果 Agent 下周还得重问一遍，体验就断了。ToB 更严重：客服 Agent 如果忘了企业客户的工单历史、行业背景、决策人角色，所谓“智能”基本只剩一个壳。

我在统一工作流里做了三组测试：

1. 用户偏好记忆

“我不吃香菜、喜欢周末出游”

2. 长期任务连续性

“帮我做 7 天学习计划，第 4 天接着改”

3. 多轮身份/上下文恢复

“我是产品经理，在杭州，正在做教育 SaaS”

统一主模型使用 Claude Sonnet 4.6，以免把模型差异误判成记忆层差异。

---

为什么是 Mem0、Zep、自建 Redis 这三条路

这三种方案，基本对应了现在团队做记忆层的三条典型路线。

Mem0：先跑起来再说

它更像“给 Agent 补记忆能力的现成框架”。你不用从零设计提取、归档、召回策略，比较适合原型验证和中小团队快速上线。

Zep：把长期记忆当成系统工程

Zep 的思路更接近“Agent Memory OS”。它不只是存一句偏好，而是更强调长期关系、用户画像、会话历史、结构化关联。适合多轮复杂交互，但学习成本明显更高。

自建 Redis：不是工具，是工程选择

Redis 方案听起来最简单：存一份 JSON、按用户 ID 取出来就行。问题在于，你其实是在自己造一套记忆系统。抽什么、存什么、什么时候覆盖、怎么过期、如何避免旧记忆污染，全都要自己定义。

---

评测标准：不看功能页，只看实际踩坑成本

这次横评我重点看 8 个维度：

• 接入难度
• 记忆召回质量
• 延迟增加
• 成本
• 可解释性
• 可观测性
• 隐私合规
• 后期维护成本

测试环境是统一的 Python Demo，单轮平均输入约 1.2k tokens，连续对话 1000 次规模估算。数据不是厂商宣传值，而是按同一流程压出来的工程侧参考值。

基础性能对比表

这里最容易误判的一点是：Redis 不是“不行”，而是“初始很简单，完整很复杂”。

失败案例统计

这些数字背后的含义很重要：

• Mem0 的问题更多是黑盒提取不总符合你的业务逻辑
• Zep 的问题是召回更积极，但有时会“想太多”
• Redis 的问题最典型：不是乱记，而是根本没记全，或者不会更新

---

实测结果：三种方案分别适合谁，坑分别在哪

Mem0：最快补齐“失忆症”，但黑盒感明显

如果你现在已经有一个能跑的 Agent，只是“记不住用户”，Mem0 是最容易拿来补洞的方案。

它最舒服的地方

• 接入快
• 默认策略成熟
• 对小团队友好
• 适合 AI 助手、学习教练、陪伴类产品

在 ToC 场景里，它对“偏好类记忆”效果不错。比如用户说“不吃香菜、喜欢周末出游”，第二天继续问旅行建议，Mem0 能较稳定地把这类信息召回。

但宣传页不会告诉你的坑

第一，你未必知道它为什么记了这条、没记那条。

第二，复杂业务下，你的“应该记住的东西”不一定等于它默认提取的东西。

第三，一旦进入企业场景，很多团队会问：能不能精细控制记忆的生命周期、优先级、删除策略？

这时候，Mem0 的“省心”也会变成“受限”。

最小接入示例

from mem0 import Memory

memory = Memory()

user_id = "u_1001"

memory.add(
"我不吃香菜，周末喜欢短途出游",
user_id=user_id
)

result = memory.search(
query="给我推荐周末适合吃什么、去哪里玩",
user_id=user_id
)

print(result)

适合谁

• 个人开发者
• 原型验证团队
• 先解决“能记住”再考虑精细化控制的产品

---

Zep：长期记忆更强，但复杂度来得也更早

如果你的 Agent 已经不是“聊聊天”，而是开始涉及用户画像、任务连续性、关系组织，Zep 会更有吸引力。

它真正强的不是“存一句话”，而是“组织记忆”

在 ToB 场景里，比如销售助理或客服 Agent，用户身份、企业阶段、历史工单、上次跟进动作之间，是有关系的。Zep 更擅长处理这类长期、多层次信息。

例如测试里用户说：

• 我是产品经理
• 在杭州
• 正在做教育 SaaS
• 想优先服务中小机构客户

后续问“帮我准备下周和客户沟通的话术”，Zep 的召回更完整，能把身份、地域、业务背景一起带出来。

真实坑也很明显

• 概念多，上手门槛高
• 小白容易先被配置和数据结构劝退
• 你还没吃到长期记忆的收益，已经先吃到系统复杂度

尤其对中小团队来说，如果主工作流都没跑顺，直接上 Zep，常见结果是：系统看起来很先进，但产品体验并没有立刻更好。

最小接入示例

import requests

BASE_URL = "http://localhost:8000"
user_id = "u_1001"

写入一段用户记忆
requests.post(
f"{BASE_URL}/users/{user_id}/memory",
json={
"text": "我是产品经理，在杭州，正在做教育SaaS"
}
)

查询与当前问题相关的记忆
resp = requests.post(
f"{BASE_URL}/users/{user_id}/search",
json={
"query": "帮我写一段和客户介绍产品的开场白"
}
)

print(resp.json())

不同版本接口字段可能略有变化，实际以官方文档为准，但接入心智大致就是：先建用户/会话，再写记忆，再按 query 检索关联信息。

适合谁

• 有一定工程能力的中小团队
• 需要长期、多轮、关系型记忆的 Agent
• ToB 场景多于 ToC 场景的产品

---

自建 Redis：便宜、快、可控，但别把它想得太简单

这是最容易让工程师产生错觉的一条路：

“Redis 而已，不就是 save_memory() 和 get_memory() 吗？”

对，第一天确实是。

但第三天你会发现：

• 哪些内容值得存？
• 相同用户的新偏好怎么覆盖旧偏好？
• 历史任务进度按时间存还是按任务存？
• 召回多少条最合适？
• 怎么防止两个月前的旧记忆污染今天的新指令？

一个很真实的开发者踩坑

我见过一个团队，最开始只用了不到 50 行代码，把用户偏好按 JSON 存到 Redis 里。Demo 很快跑通，大家都觉得“记忆层没那么难”。

两周后问题集中爆发：

• 用户说“以前不吃辣，现在开始能吃一点”，旧值没覆盖
• 学习计划改到第 4 天时，系统还在引用第 1 天版本
• 企业客户换了联系人，Agent 仍然按旧角色生成回复

最后他们补了三层策略：

1. 提取规则层

2. 冲突消解层

3. 过期与优先级层

也就是说，你不是在用 Redis，你是在自建 Memory Engine。

最小接入示例

import json
import redis

r = redis.Redis(host="localhost", port=6379, decode_responses=True)

def save_memory(user_id, key, value):
memory_key = f"memory:{user_id}"
data = r.hgetall(memory_key)
data[key] = value
r.delete(memory_key)
if data:
r.hset(memory_key, mapping=data)

def get_memory(user_id):
return r.hgetall(f"memory:{user_id}")

save_memory("u_1001", "diet", "不吃香菜")
save_memory("u_1001", "travel", "喜欢周末短途出游")

print(get_memory("u_1001"))

这段代码能跑，但它只解决了“存取”，没有解决“记忆系统”。

适合谁

• 已有成熟后端体系的团队
• 强隐私、强合规要求场景
• 需要完全可控、可审计、可定制的业务

---

统一看：Agent + Memory Layer 到底是什么流程

很多人把工具看复杂了，其实底层就这几步：

user_input -> memory_extract -> memory_store
user_input + recalled_memory -> llm
llm_output -> memory_update

真正拉开差距的，从来不是“有没有存储”，而是：

• extract 怎么抽
• store 存成什么结构
• recall 什么时候召回、召回多少
• update 如何覆盖旧信息、避免污染

---

怎么选：按团队阶段、预算和业务类型做决策

如果你只记一句结论，我建议记这个：

1. 个人开发者 / 原型验证

优先选 Mem0，或者先上一个非常简单的 Redis。

原因很简单：你现在最重要的不是“最先进”，而是先验证你的 Agent 有没有人愿意持续用。

2. 中小团队，需要更稳的长期记忆

优先看 Zep。

尤其是用户画像、任务连续性、多轮关系比较重的场景，Zep 的上限会更高。

3. 已有后端体系，强隐私 / 强合规 / 强定制

选 自建 Redis，或者 Redis + 向量库混合方案。

你会更累，但也会更可控。对企业来说，这往往值得。

4. 一个很重要的反直觉判断

很多团队不是输在“记不住”，而是输在“本来就没把事做好”。一个不会规划学习路径的 Agent，加了再强的记忆也只是更稳定地犯错。

---

截图建议：这 4 类最值得放

为了让读者更直观看懂，建议你在正式发布版里放这几类图：

1. Mem0、Zep、Redis 相关文档或接入页截图

2. 同一段测试对话在三种方案下的召回结果截图

3. 配置过程、日志页、控制台调试截图

4. 最终横向对比总表截图

这类图的价值不在“好看”，而在于让读者直接看到：同一句用户信息，三种方案到底谁记住了、谁记歪了、谁压根没记。

---

结论：记忆层不是外挂，而是 Agent 从演示玩具到产品的分水岭

这次横评之后，我的结论其实很朴素：

• Mem0 赢在上手快，适合先把“失忆症”治好
• Zep 赢在长期能力强，适合复杂 Agent 场景
• Redis 赢在便宜、快、可控，但完整方案绝不简单

所以别再问“哪个最强”，而该问：

技术上最强，不一定业务上最优。

记忆层决定的，也不只是“模型能不能记住”，而是你的 Agent 能不能建立连续关系、形成任务延续性，最终从一次性演示，变成用户愿意反复打开的产品。

如果你已经打算自己试一版 Agent 记忆层，下一步不是继续看概念，而是把模型接口和记忆模块先跑起来。模型调用、对话测试、记忆策略验证，可以直接用 api.884819.xyz 先搭一个可实验的环境。8848AI 平台支持注册后直接使用内置 AI 对话，用户名+密码即可注册，不需要邮箱验证，注册即送5元体验额度，国产模型如 Deepseek R1/V3、通义千问 Qwen3、Kimi K2.5、GLM-5 可免费使用，没有月租、没有订阅，按量付费。

而且无论你最后选 Mem0、Zep 还是自建 Redis，真正要比的是在同一模型能力下谁的记忆体验更稳。模型侧如果想先统一接入和压测，api.884819.xyz 很适合作为实验底座。

下一篇我想继续拆一个更难、也更容易被忽视的话题：AI Agent 真正难的不是“记住”，而是“会不会在错误的时候忘记”——记忆压缩、冲突消解和遗忘机制，到底该怎么做？

#AIAgent #记忆层 #Mem0 #Zep #Redis #8848AI #AI工程 #人工智能