源码级分析 · 2026-04-14

Mem0 vs 文件系统记忆

两种记忆范式的对比。它们不是同一个东西的不同实现，而是解决不同层次问题的两套系统。

// TL;DR
Mem0 → 对话中的自动记忆提取+向量检索
文件系统 → 人+LLM 协作维护的结构化知识沉淀

Mem0 核心流程 (main.py · 2592行)

写入 (add)

// 用户对话 → LLM 提取 facts → 向量化 → 搜索已有记忆 → LLM 判断 ADD/UPDATE/DELETE/NONE → 存入向量数据库

读取 (search)

// 查询文本 → 向量化 → 向量相似度搜索 → (可选) Reranker 重排 → 返回 top_k 条记忆

Emma 当前的四层记忆体系

你实际上有四层记忆在同时工作

CodeBuddy Memory

云端 KV 存储

AI 从对话中自动提取

"Emma 在做音色互动空间"

CodeBuddy Rules

.codebuddy/rules/*.md

人手动写

"所有写作用口语化表达"

Wiki 知识库

DailyPlan/wiki/*.md

LLM 提炼 + 人审阅

agent-context-engineering.md

Raw 素材

DailyPlan/raw/*.md

人丢入（只读）

黄东旭访谈原文

核心对比

6 个维度

01 记忆的颗粒度最本质区别 +

Mem0

单条记忆 = 一句话事实

"Name is John"、"Likes pizza"

信息密度极低

文件系统

单条记忆 = 完整知识条目

有标题、要点、理解、来源、交叉引用

信息密度极高

本质区别：Mem0 记的是"碎片事实"（atomic facts），wiki 记的是"结构化认知"（structured knowledge）。

02 写入机制各有所长 +

Mem0

触发：每次对话自动触发

提取者：LLM（固定 prompt）

人参与度：零（全自动）

本质是"信息抽取器"——不理解上下文关系

文件系统

触发：LLM + 人协作（schema 驱动）

提取者：LLM + 人讨论后提炼

人参与度：高（讨论、审阅、补充"我的理解"）

本质是"知识编辑流程"

Mem0 的 FACT_RETRIEVAL_PROMPT 是信息抽取器；wiki 的 schema 是知识编辑流程。一个求快，一个求深。

03 检索机制文件系统更精确 +

Mem0

方式：向量相似度搜索

精度：语义相似就返回（可能"大概相关"）

上下文：孤立的 facts 列表

问"food preferences" → "Likes pizza"、"Loves chicken"

文件系统

方式：目录导航 + 全文 grep + index 查找

精度：精确命中（条目名就是概念名）

上下文：完整条目 + 来源 + 相关条目链

问"Agent 记忆系统" → 打开完整认知图景

Mem0 的搜索是模糊的；文件系统的检索是结构化的。一个靠向量碰运气，一个精确导航。

04 记忆的生命周期文件系统更完整 +

Mem0

创建：自动（每次对话）

更新：LLM 自动判断矛盾→覆盖

删除：LLM 检测矛盾→自动删除

追踪：SQLite history 表

⚠️ "喜欢披萨"→"讨厌披萨"，旧的直接没了

文件系统

创建：有意识地（Ingest 或 Query 回填）

更新：人 + LLM 发现新信息→补充

删除：极少删除，过期内容标记

追踪：git + log.md + 条目更新日期

✅ 保留了认知演变的痕迹

Mem0 的更新很暴力——新旧矛盾直接删旧。文件系统保留了认知演变的痕迹——git 历史 + log 记录了每次变更。

05 知识的连接性文件系统远超 +

Mem0

事实间关系：孤立（除非开启 Graph Memory）

层级结构：扁平（所有 facts 平级）

跨概念联想：靠向量相似度碰运气

文件系统

关系：双向链接 [[]] + "相关条目"

层级：领域分层 (ai/product/tools/...) + 三层架构

联想：人 + LLM 主动维护交叉引用

Mem0 的 Graph Memory 能存关系三元组，但远不如 wiki 链接网络有深度。从 agent-context-engineering 到 agent-memory-system 再到 agent-native-infra 形成的是一张认知图谱。

06 对"理解"的处理不可替代 +

Mem0

存储的是：客观事实

"Name is John"

有没有"判断"：没有（纯信息存储）

文件系统

存储的是：事实 + 主观理解

"我觉得这个方向值得深挖"

有没有"判断"：有（每个条目最有价值的部分）

这是文件系统最不可替代的部分。Mem0 永远不会存"我觉得这个方向值得深挖"这种东西。每个 wiki 条目最有价值的部分就是你自己的判断。

两者的互补关系（不是竞争）

自动层

Mem0 层 — 自动 · 碎片 · 快

↓ 积累到一定量

协作层

文件系统 Wiki 层 — 协作 · 结构化 · 深

↓ 长期沉淀

认知层

认知网络层 — 交叉引用 · 判断 · 不可替代

结论

你不需要用 Mem0 替代现有系统。 wiki 系统做的是 Mem0 做不了的事；CodeBuddy Memory 已经覆盖了 Mem0 的核心场景；Mem0 真正有价值的部分是向量检索——当 wiki 条目积累到 50+ 个时再考虑。

✅Wiki 做的是 Mem0 做不了的事 — 结构化认知 + 主观判断

✅CodeBuddy Memory ≈ 简化版 Mem0 — 已覆盖自动提取碎片事实的场景

💡Mem0 真正有价值的是向量检索 — wiki 50+ 条目后可考虑加一层向量索引

如果要从 Mem0 借鉴什么

Memory Manager 的 ADD/UPDATE/DELETE 逻辑 — 这个 prompt 设计很巧妙，可以借鉴到 wiki 的 Lint 流程中，让 LLM 自动判断是新增、更新还是删除

Graph Memory 的实体关系三元组 — A → 关系 → B 可以给 wiki 交叉引用做增强

自动化程度 — Ingest 流程人工参与度偏高，可以增加一个"轻量自动 Ingest"模式——对话中的小碎片自动存，重要的再走完整 Ingest