AI前沿速递｜mem0 64K星给Agent装记忆、ragflow 90K星开源RAG引擎
做Agent最头疼的是什么？不是模型不够聪明，而是它每次都像刚认识你——聊完天关掉窗口，下次重来，什么偏好、什么上下文全丢了。另一边，RAG喊了两年，真正能跑通生产级文档问答的开源引擎其实没几个。今晚这两个项目刚好卡在这两个痛点上，而且星数都挺猛：mem0 拿了 64.3K，ragflow 更夸张，89.8K。
1. mem0 — ⭐64.3K，给 AI Agent 装一个「不会忘事」的脑子
一句话定位： 解决 Agent 跨会话失忆问题，让 AI 记住用户偏好和历史上下文，越用越懂你。
核心亮点：
– 多层记忆架构：同时维护 User 级、Session 级、Agent 级三层状态，不是简单存聊天记录，而是提取结构化事实
– 2026 年 4 月新算法炸了：LoCoMo 基准 92.5 分（+21），LongMemEval 94.4 分（+27），单次检索、不靠 agentic loop 就能打
– 极简 API：pip install mem0ai，三行代码接入，支持 Python 和 TypeScript
– 生态整合：ChatGPT 记忆插件、浏览器扩展、Langgraph、CrewAI 都有现成方案
– YC S24 背书，Apache 2.0 开源
上手方式：
pip install mem0ai
然后 Memory().add(messages, user_id="xxx") 存记忆，Memory().search(query, user_id="xxx") 取记忆，就这么简单。
实话： 没在生产环境跑过，但看 benchmark 数据和社区活跃度（7.5K fork），做客服机器人或者个性化助手的话值得试一把。不过它的 managed 平台有闭源优化，开源版能不能跑到同等水平，得自己测。
适合谁： 做 AI Agent 产品的团队、想让 ChatGPT/Claude 记住用户的开发者、需要长期个性化对话的场景。
2. ragflow — ⭐89.8K，开源 RAG 引擎里的「全能选手」
一句话定位： 深度文档理解 + RAG + Agent 能力三合一，给 LLM 搭一个靠谱的知识底座。
核心亮点：
– 不只是切块-检索：内置 deepdoc 做版面解析，表格、图表、多栏排版都能吃，不是简单按字数切片
– Agent 化检索：不只是返回文档片段，还能做 agentic search，让 LLM 自己决定怎么查
– 生产级架构：8,895 次 commit，依赖 Elasticsearch/MinIO/Redis/MySQL，说明不是玩具项目
– Python SDK + Docker 部署，Apache 2.0，有 2026 Roadmap
– 10.6K fork，社区相当活跃
上手方式：
git clone https://github.com/infiniflow/ragflow
cd ragflow/docker
docker compose -f docker-compose-base.yml up -d
或者用 Python SDK 直接调 API。
实话： 没深度实测过它的文档解析精度，但 90K 星不是白来的——国内做知识库问答的团队很多都在用。不过依赖栈比较重（ES + MySQL + Redis + MinIO），小团队部署成本不低，建议先评估团队运维能力再上。
适合谁： 企业知识库、文档问答系统、需要处理复杂排版 PDF/Word 的场景、想搭 RAG 中台的团队。
今晚的观察
Agent 记忆会不会是下一个刚需？我觉得大概率是。现在 Agent 最大的体验断层就是「每次都是陌生人」，mem0 这种专用记忆层比往 context window 里硬塞历史记录聪明得多——它知道什么该记、什么该忘、什么时候该想起来。
至于 RAG 是不是被高估了？说实话，RAG 本身没被高估，是被滥用了。很多人以为接个向量数据库就是 RAG，结果召回一堆不相关的片段，LLM 再强也白搭。ragflow 这种把文档解析、检索、生成全链路做扎实的，才是 RAG 该有的样子。
以上项目均未深度实测，推荐基于 GitHub 数据、README 和社区反馈。上手前请自行评估。
by 数码罗记·godsun.pro
