OpenClaw 记忆插件深度对比报告
报告时间： 2026-04-07 对比对象： Mem0、OpenViking、TencentDB Agent Memory 研究方法： 网络深度搜索 + 官方文档分析
一、背景：为什么需要记忆插件？
OpenClaw Agent 默认依靠会话上下文窗口（Context Window）来维持记忆，这一机制存在三个根本缺陷：
上下文上限：200k tokens 的上下文在长对话中会被”压缩”（Compaction）丢弃早期信息
跨会话失效：每次新会话从零开始，AI 无法记住上次对话中学到的内容
无主动记忆：无法让 AI 有意识地存储、检索或遗忘特定记忆
记忆插件通过将信息外部化存储，彻底解决上述问题——压缩不再影响已存储的记忆，AI 在每次回复前都能主动召回相关记忆。
二、插件概述
2.1 Mem0
定位： 通用 AI 记忆层（Memory Layer），由独立公司 Mem0.ai 开发
OpenClaw 集成包：@mem0/openclaw-mem0（NPM）
核心思路： 将对话历史智能压缩为高度优化的记忆表示，存储在外部向量数据库中，按用户 ID 隔离，支持短期（会话）和长期（用户）双重作用域。
发表论文： 《Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory》，ECAI 2025
基准测试： 在 LOCOMO 数据集（目前最全面的 AI 记忆评估基准）上取得领先成绩
2.2 OpenViking
定位： 开源”上下文数据库”（Context Database），由字节跳动（Volcengine）开发
OpenClaw 集成方式：openviking 插件（已安装在当前系统），注册为 OpenClaw Context Engine
核心思路： 模仿文件系统（Filesystem Paradigm）来组织和管理 AI 的所有上下文——记忆（user/）、资源（resources/）、技能（agent/）都有对应目录结构，实现上下文的有序分层。
创新点： 提出”分层加载”（Tiered Loading）——记忆不只存原始向量，还自动生成 L0（一句话摘要）、L1（核心要点）、L2（完整内容）三级表示；同时具备自迭代（Self-Iteration）能力，记忆可随时间自动演进优化。
2.3 TencentDB Agent Memory（代号”Lobster”）
定位： 腾讯云官方记忆服务，由腾讯云数据库团队开发
集成方式： 作为插件集成进腾讯云 Lighthouse、ClawPro 等产品，支持一键免费激活
核心思路： 采用四层递进记忆系统（Four-tier Progressive Memory），将碎片化对话逐步转化为：原始对话 → 结构化事实 → 上下文认知 → 个性化用户画像。
特点： 与腾讯云基础设施深度绑定，目标是零门槛接入，适合国内腾讯云用户。
三、核心技术架构对比
3.1 记忆存储模型
维度Mem0OpenVikingTencentDB Agent Memory存储范式平面向量切片（Flat Vector）分层文件系统（Hierarchical FS）四层递进结构（Progressive）索引方式向量相似度检索向量 + 层级路径双重索引结构化 + 向量混合自描述层级单一向量块L0/L1/L2 三级自描述四层渐进抽象自迭代能力✅ 基于 LLM 自动优化记忆✅ 内置 Self-Iteration 机制❌ 静态积累
3.2 检索机制
维度Mem0OpenVikingTencentDB Agent Memory检索方式语义向量搜索（ANN）语义 + 路径双重检索语义 + 上下文关系推理重排序支持✅（memory-lancedb-pro 支持 Cross-Encoder）需手动配置未公开召回精度优化多向量存储引擎可选（Qdrant/LanceDB/FalkorDB）分层加载减少无关内容四层过滤逐步聚焦
四、功能深度对比
4.1 双重记忆作用域
Mem0 独家支持会话级短期记忆（Session）与用户级长期记忆（User）分离管理，两个作用域独立检索、互不干扰，会话关闭后短期记忆自动过期，长期记忆永久保留。
OpenViking 和 TencentDB 均以用户/项目为基本隔离单位，没有明确的会话级短期记忆机制。
4.2 Agent 可调用工具
工具Mem0OpenVikingTencentDB Agent Memory记忆搜索✅ memory_search✅ auto-recall（自动触发）✅ 自动召回记忆存储✅ memory_store✅ auto-capture（自动捕获）✅ 自动累积记忆列表✅ memory_list❌❌记忆遗忘✅ memory_forget❌❌手动触发检索✅✅未公开
结论： Mem0 提供最完整的显式记忆管理工具集，用户/开发者可精细控制记忆的生命周期。OpenViking 走的是”无感化”路线，主要依赖自动捕获和自动召回。
4.3 向量存储引擎
维度Mem0OpenVikingTencentDB Agent Memory默认引擎OpenAI 嵌入 + 内存向量存储OpenViking 内置存储腾讯云数据库（TDSQL/Redis）可替换引擎LanceDB、FalkorDB、Qdrant、Chroma、pgvector仅支持 OpenViking 自有存储仅支持腾讯云自有存储本地部署✅ 完全支持✅（local 模式）❌ 依赖腾讯云嵌入式（无服务）✅ LanceDB 嵌入式模式❌ 需要独立服务❌
五、部署与集成复杂度
5.1 安装难度
插件安装复杂度配置项数量依赖要求Mem0⭐ 低（openclaw plugins install @mem0/openclaw-mem0）少需要 API Key（OpenAI/Mem0 Cloud）OpenViking⭐⭐ 中（需部署 OpenViking 服务端）多需要 Python 环境 + API Key（ARK）TencentDB Agent Memory⭐ 极低（一键免费激活）极少必须使用腾讯云
5.2 成本
插件成本说明Mem0SaaS 订阅 / 自托管免费云端版按用量收费，自托管免费开源OpenViking完全免费开源Apache 2.0 协议，无需付费TencentDB Agent Memory完全免费腾讯云补贴期，官方免费提供
5.3 供应商锁定
Mem0：低，可完全自托管，不依赖任何云厂商
OpenViking：无，完全开源，可本地运行
TencentDB Agent Memory：极高，必须使用腾讯云基础设施
六、使用场景推荐
6.1 何时选 Mem0？
需要精细化记忆管理（显式存储/遗忘/列表操作）
需要**多智能体（Multi-Agent）**记忆隔离，每个 Agent 有独立记忆空间
需要学术基准验证，有论文/产品需要引用 ECAI 2025 等权威评测
需要多种向量引擎切换，已有 Qdrant/LanceDB 等基础设施
追求生产级可靠性，愿意为托管服务付费
6.2 何时选 OpenViking？
希望零成本获得高质量长期记忆
喜欢文件系统式的直觉化记忆管理方式
需要记忆自迭代，让 AI 主动优化记忆质量而非被动积累
追求分层加载节省 token（只加载 L0/L1 而非全量 L2）
希望完全自主控制，不依赖任何云服务厂商
6.3 何时选 TencentDB Agent Memory？
已在使用腾讯云 Lighthouse / ClawPro 等腾讯系产品
对价格敏感，希望零成本一键启用
在国内网络环境下运行，腾讯云网络质量有保障
对记忆管理要求不高，只需要基础的”记住用户”能力
七、当前系统现状与建议
7.1 现有配置
当前 OpenClaw 已安装并启用 OpenViking 作为 Context Engine，autoRecall 和 autoCapture 均已注册工作。
7.2 综合评价
维度Mem0OpenVikingTencentDB Agent Memory功能完整性⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐部署简洁性⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐成本中（付费 SaaS）免费开源免费数据自主性⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐生态成熟度⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐自迭代/进化⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐
综合推荐：
当前系统（已有 OpenViking）：继续使用 OpenViking，综合性价比最优，完全免费、无供应商锁定、功能完整
如需更精细的记忆控制：可补充安装 Mem0，通过 memory_forget 等工具实现精确记忆管理
如在腾讯云生态内：TencentDB Agent Memory 是零门槛首选，但需注意供应商锁定风险
八、参考资料
Mem0 官方文档：https://docs.mem0.ai/integrations/openclaw
Mem0 OpenClaw 插件 NPM：https://www.npmjs.com/package/@mem0/openclaw-mem0
OpenViking 官方文档：https://volcengine-openviking.mintlify.app/integrations/openclaw
OpenViking GitHub：https://github.com/volcengine/OpenViking
TencentDB Agent Memory 发布公告：https://www.binance.com/en/square/post/308407572644401
《Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory》，ECAI 2025
LOCOMO Benchmark：https://arxiv.org/abs/2402.09727
九、mem9 —— 云端持久化记忆新秀
⚠️ 注意： mem9 已在 ClawHub 上被标记为 DEPRECATED（不再维护），但其架构思路值得关注。
定位： 云端持久化记忆系统，Backend 使用 TiDB Cloud Serverless（免费套餐：25GiB 存储 + 每月 2.5 亿请求单位）
核心特点：
插件无状态设计：所有记忆存储在 mnemo-server（TiDB），插件本身零状态，可自由部署多个 agent 实例，全部共享同一记忆池
跨机器记忆同步：记忆绑定账户而非设备，换电脑不丢记忆
多 Agent 共享记忆：Claude Code、OpenCode、OpenClaw 等平台插件可共享同一记忆池，团队协作友好
混合检索：TiDB 原生 VECTOR 类型支持，无需额外部署向量数据库
服务端自动 Embedding：TiDB 服务端生成向量，无需 OpenAI API Key 即可做语义搜索
5 个显式工具： memory_store、memory_search、memory_get、memory_update、memory_delete
⚠️ 劣势：
已被标记为 DEPRECATED，后续维护不确定
需额外部署 mnemo-server（Go 服务），相比其他插件配置略复杂
依赖 TiDB Cloud，有供应商锁定（虽然是免费套餐）
十、四插件综合对比总表
维度Mem0OpenVikingTencentDB Agent Memorymem9架构平面向量存储分层文件系统四层递进结构云端无状态 + TiDB作用域会话 + 用户双重用户/项目隔离用户画像级租户共享池显式记忆工具5个（最全）自动为主自动为主5个多 Agent 共享需配置多租户支持支持✅ 原生支持跨机器同步❌❌❌✅自迭代能力✅✅❌❌部署复杂度低中极低中（需部署 Server）成本SaaS付费/自托管免费免费开源免费（腾讯云补贴）免费（TiDB免费套餐）供应商锁定低无极高中（TiDB）维护状态✅ 活跃✅ 活跃✅ 活跃⚠️ DEPRECATED存储后端可替换（Qdrant/LanceDB等）OpenViking 自有腾讯云TiDB Cloud
十一、最终推荐
使用场景推荐方案当前系统（已有 OpenViking）继续用 OpenViking，综合最优多 Agent 协作 / 团队共享mem9（原生多 Agent 共享）国内用户，零门槛TencentDB Agent Memory追求功能完整 / 生产级Mem0（活跃维护 + 学术验证）mem9⚠️ 不推荐，已被标记废弃，后续维护无保障
特别提示： mem9 虽架构创新（无状态插件 + TiDB 后端），但已被 DEPRECATED，不建议在生产环境使用。
喜欢这篇文章？打赏作者
您的支持是我创作的动力
长按识别二维码打赏