Supermemory：让 AI 拥有持久记忆的内存引擎

你有没有遇到过这种情况：和 AI 聊了两个小时的代码需求，第二天再打开对话，它已经完全忘了你是谁、你做过什么？这种感觉就像和一个失忆症患者反复自我介绍一样令人沮丧。Supermemory 正是为了解决这个问题而生——它是一个专为 AI 时代设计的内存和上下文引擎，能让 AI 在多轮对话中持续学习和记忆用户信息，真正实现「越用越懂你」的智能体验。

图1：Supermemory 落地页，展示其作为 AI 内存引擎的核心定位

Supermemory 在三大权威 AI 记忆评测基准中均排名第一——LongMemEval、LoCoMo 和 ConvoMem，是目前行业内公认的顶级 AI 记忆解决方案。这是一个由研究实验室驱动的开源项目，背后团队不仅构建核心引擎，还开发配套插件和工具生态，致力于打造完整的 AI 上下文技术栈。

一、技术架构：三层解耦的模块化设计

Supermemory 采用现代 monorepo 架构（Bun + Turborepo），将功能拆分为多个独立包，形成清晰的分层体系。

packages/memory-graph 是核心知识图谱引擎，负责管理实体、关系和时序记忆。它支持自动提取对话中的事实、处理时间变化导致的矛盾信息、管理知识的更新和遗忘策略，是整个系统的大脑。packages/agent-framework-python 是 Python 版本的 Agent 开发框架，让 Python 开发者也能方便地接入 Supermemory 的记忆能力。packages/tools 封装了多种 AI SDK 的集成工具，包括 AI SDK、OpenAI SDK、Voltagent 和 Mastra，通过简单的 API 调用即可为这些 AI 框架注入记忆能力。

apps/web 是面向终端用户的 Web 应用，基于 Next.js 构建，提供完整的用户界面。apps/mcp 是基于 Remix 的 MCP 服务器实现，支持通过 wrangler 部署到 Cloudflare Workers。apps/browser-extension 则是浏览器扩展程序。

图2：Supermemory 的聊天界面，用户可以在此与 AI 进行多轮记忆对话

二、核心功能：从「失忆」到「过目不忘」

记忆提取与存储：Supermemory 能够自动从对话中提取关键事实，构建用户画像和知识图谱。它不仅记住「用户说了什么」，还理解「用户是谁」「用户关心什么」「用户的偏好和习惯是什么」。这种深层次的理解能力来自于其独特的记忆结构设计，而非简单的对话历史存储。

混合搜索（RAG + Memory）：系统支持将 RAG（检索增强生成）和个性化记忆融合在一次查询中。当用户询问某个技术问题时，它不仅能返回知识库中的相关文档，还能结合用户之前的相关讨论和偏好，给出真正个性化的答案。这种能力对于构建个人 AI 助手尤其有价值。

多模态内容处理：Supermemory 内置了强大的内容解析器，支持 PDF 文档、图片（OCR 识别）、视频（自动转录）以及代码文件（AST 感知分块）。用户只需要上传文件，系统会自动处理并建立记忆索引，无需人工干预。

Connector 生态：项目提供了丰富的外部数据源连接器，包括 Google Drive、Gmail、Notion、OneDrive 和 GitHub。这些连接器支持实时 webhook 同步，用户在日常工作中产生的内容会自动流入 Supermemory，实现「无感记忆」。

图3：Supermemory 支持多种方式添加记忆，包括手动输入、文件上传和自动同步

三、MCP 协议：AI 记忆的行业标准接口

Supermemory 采用了 Model Context Protocol（MCP）作为其核心通信协议。MCP 是一种新兴的 AI 上下文协议标准，允许不同的 AI 工具和记忆系统通过统一接口进行交互。Supermemory 的 apps/mcp 目录提供了一个完整的 MCP 服务器实现，基于 Remix 框架开发，支持通过 wrangler 部署到 Cloudflare Workers。

MCP 的意义在于，它让 Supermemory 不仅是一个独立的记忆工具，而是一个可以接入任何 MCP 兼容 AI 助手的「记忆插件」。目前支持 Claude Desktop 和 Cursor 等主流 AI 应用，未来将覆盖更多平台。

图4：Supermemory 支持 MCP 协议，可以作为 AI 助手的标准记忆层接入各种平台

四、开发者体验：从安装到上线的完整路径

对于开发者而言，Supermemory 提供了清晰的技术栈和相对简单的接入方式。

前端集成：如果你是 AI SDK 或 OpenAI 的用户，只需要安装 @supermemory/tools 包，参考文档中的示例代码，即可快速为 AI 调用注入记忆能力。SDK 提供了清晰的 API 接口，包括 client.search.memories() 进行记忆搜索、client.collections.* 管理知识库集合。

自托管部署：项目默认部署在 Cloudflare 生态中（Cloudflare KV、Cloudflare Pages），但也支持 PostgreSQL 作为数据库后端。开发者需要准备 Node.js >= 20、Bun 包管理器和 PostgreSQL 数据库环境，按照项目文档进行配置。

Python 生态：对于 Python 开发者，团队提供了专门的 Python SDK（agent-framework-python），降低了 Python 项目接入的门槛。这体现了项目对多语言生态的重视。

图5：Supermemory 支持丰富的外部数据源连接器，实现多平台数据自动同步

五、行业意义与局限性

Supermemory 的出现反映了 AI 应用领域的一个重要趋势：从「通用大模型」向「个性化 AI」的演进。当基础模型能力趋于同质化时，能够持续学习用户偏好、积累专属知识的 AI 系统将成为差异化竞争的关键。Supermemory 在 LongMemEval 等权威基准上的领先表现，证明了其技术路径的可行性。

不过，项目也存在一些局限性。首先，目前没有提供 Docker 部署方案，对于习惯容器化部署的团队来说，需要额外的工作量。其次，项目的核心部署依赖 Cloudflare 生态，虽然这降低了部署门槛，但也意味着与特定云平台的绑定。此外，作为一个相对新兴的项目，部分功能（如 Python SDK）的文档和稳定性还有提升空间。

总体而言，Supermemory 代表了 AI 记忆领域的先进方向，其模块化设计、MCP 协议支持和多模态处理能力都具有较高的技术价值。对于希望构建个人 AI 助手或企业知识管理系统的开发者来说，这是一个值得关注和尝试的项目。