最新 给 Agent 加记忆，三条不同的路：LifeOS、TencentDB-Agent-Memory 与 OpenViking

2026年08月11日 03:36

　　先说结论：同样面对"给 AI 加记忆"这道题，三个项目给出的答案几乎不重样。LifeOS 围着"人"转，TencentDB-Agent-Memory 围着"团队"转，OpenViking 围着"数据"转。它们不是迭代关系，而是三个不同的出发点。

　　我起初以为它们只是换皮，越看越发现，它们连"记忆是什么"的理解都不同：LifeOS 当成"你这个人"，TencentDB 当成"团队的资产"，OpenViking 当成"待存取的数据"。理解不同，后面的设计自然就不同。下面把三条路各自的优劣和适合的人拆开讲。

一、LifeOS：记忆是"人"

　　LifeOS（作者 Daniel Miessler，MIT 协议）给自己的定位是"通用 AI 携带框架"。它最关心三件事：你是谁、你在乎什么、你想去哪里。它把这套东西装进 AI 工具，让 AI 从"通用工具"变成"认识你的私人助理"。

　　它的记忆系统叫 Cortex，核心循环是七步：OBSERVE → THINK → PLAN → BUILD → EXECUTE → VERIFY → LEARN。最有标志性的是“自我改进”——系统会根据学到的内容主动修改自己。

　　优点是服务"个人"：装好后 AI 越来越懂你的偏好与目标，不用每次重新解释。它讲究"从当前状态走向理想状态"，是生活方式层面的，不止于工作。

　　缺点也在于太"个人"：没有团队权限体系，没有代码知识图谱，也没有高性能存储。它一键安装会改动 AI 工具配置（如 ~/.claude），还具备自我修改能力，想保持环境稳定的人要有心理准备。

　　适合的人：想让常用 AI"懂我"、愿意长期经营一份个人记忆的人。安装方式很优雅：

# LifeOS：把下面这句话丢给任意 AI 编码工具，它会帮你装好
# "Read https://ourlifeos.ai/install and install LifeOS for me."
curl -fsSL https://ourlifeos.ai/install.sh | bash

二、TencentDB-Agent-Memory：记忆是"团队的资产"

　　TencentDB-Agent-Memory（腾讯云开源，MIT）是另一个方向。它把记忆拆成四种资产：对话记忆、技能、知识库、代码图谱。它回答的是：团队让 Agent 干活，怎么避免每个 Agent 都从零开始、重复踩坑。

　　它最像"企业的记忆库"：对话沉淀成偏好和事实，技能从完成任务里提取，文档整理成带链接图的知识页，代码被索引成能查调用关系的图谱。背后靠 MemoryCore、MemoryHub、MemoryProxy 三个服务，加一个能审技能、分权限、绑 Agent 的管理面板。

　　优点是工程治理能力最强：有版本、所有权、可见性、ACL，技能默认私有、共享需显式操作。它跟框架解耦，Claude Code、CodeBuddy、OpenClaw 都能对接，换框架不用重新训练。

　　缺点是重：要自托管一套服务，部署门槛更高；它面向"团队/项目"，一个人用这套治理体系是杀鸡用牛刀。它擅长代码协作，却不太照顾"个人偏好、写作风格"这类私密记忆。

　　适合的人：多人、多 Agent 协作的团队，尤其要沉淀代码知识、做修改前影响分析、又想控制内容可见性的工程团队。部署流程如下：

# TencentDB-Agent-Memory：自托管部署（示意）
git clone https://github.com/TencentCloud/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
# 编辑 .env，填入两套 LLM 参数（memory group + proxy group）
./start-all.sh   # 面板会跑在 http://localhost:8125

三、OpenViking：记忆是"一份数据"

　　OpenViking（火山引擎开源，主项目 AGPL-3.0）走的是数据库路线。它把代理上下文统一成一个虚拟文件系统 viking://，记忆、资源、技能都挂其下，代理用 ls、tree、find 浏览上下文，而不是查不透明的向量库。

　　它最打动我的是“省”：每次写入自动处理成三层——L0 一句话摘要（约 100 tokens）、L1 核心概览（约 2k tokens）、L2 完整原文。平时只加载轻层，用到才读重层，检索保留完整轨迹、出错能回溯。基准测试里 token 最高省九成，查询延迟也明显下降。

　　优点是性能好（Rust 核心）、上下文可解释、可追溯、自进化——会话后自动把偏好和经验沉淀进长期记忆。它本质是"给 Agent 的 DB"，适合做高性能底座。

　　缺点是：团队治理弱（只有对等代理的雏形），没有专门代码图谱，对上层语义照顾得少；AGPL-3.0 对商用是约束。它更像底层基础设施，端到端用需自己搭一层。

　　适合的人：想要高性能、省 token、记忆可解释可追溯的底座，且能接受 AGPL、愿意自己组合上层应用的开发者。使用方式很"数据库"：

# OpenViking：Python SDK 用法（示意）
# 记忆/资源/技能都挂在 viking:// 文件系统下，按需读取
import openviking

ov = openviking.Client()
ov.add_resource("docs", "https://example.com/guide")   # 存一份资源
ov.remember("user", user_id, "偏好简洁的中文排版")       # 沉淀一条记忆
result = ov.find("如何给 Agent 加记忆")                 # 目录式检索
print(result)

　　把它们摆成一张图，三条路其实拼成了一套完整的分层结构。三者不是平行的赛道，而是各司其职、叠在一起的地基：

        ┌─────────────────────────────────────────────┐
        │  LifeOS        方向层：个人目标 / 身份 / 偏好  │
        │  「你也去哪 · 你在乎什么」 → 让 AI 认识你      │
        └──────────────────────┬──────────────────────┘
                               │ 指导 Agent 往哪走
        ┌──────────────────────┴──────────────────────┐
        │  TencentDB-Agent-Memory  治理层：团队经验传承  │
        │  Chat Memory · Skill · Wiki · CodeGraph      │
        │  版本 / 所有权 / ACL / 审核共享 / 跨框架装备    │
        └──────────────────────┬──────────────────────┘
                               │ 管理、检索、共享记忆
        ┌──────────────────────┴──────────────────────┐
        │  OpenViking  底座层：上下文存储与检索          │
        │  viking:// 文件系统 · L0/L1/L2 分层加载        │
        │  省 token · 可观察检索轨迹 · 自进化            │
        └─────────────────────────────────────────────┘

　　自下而上看，OpenViking"存得高效"，TencentDB"管得住、共享得动"，LifeOS"认得人、走对方向"。上层靠下层托底，下层被上层赋予意义。分开各有局限，合起来才是一套完整的记忆体系。

四、放在一起看

　　写到这里，我觉得它们的方向并不冲突。记忆这道题的答案本就该分层：底层要快、要省、可解释，中间层要管得住、共享得动，上层要认得人、走对方向。三个项目各自守住一层，也就各自守住了一部分答案。

　　最后提醒一句：这类工具大多会碰你的配置和记忆，加记忆本质上就是把一部分"你"交给系统。动手前想清楚要哪一层、给谁用、能否接受协议和代价，再决定要不要上车。