研究

记忆召回质量与延迟的实测数据，附可复现脚本。

大多数记忆系统都假定有一个向量数据库、一个嵌入服务和一个云端控制面。Mnemosyne OS 一个都不假定，然后测量这件事的代价与收益。下面是架构与证据。

0.21ms

召回延迟 p50

0.3ms

每条写入

298MB

10 万条常驻

8/8

precision @ 1

业界公认的三大基准测试

记忆系统之间比的就是这三个公开基准。Mnemosyne OS 三项全部实测，并列出 Mem0 自己公开的分数作对照。

LongMemEval —— 96.2 · Mem0 94.4

长程对话：隔了很多轮会话之后，还能不能想起当初说过什么。

LoCoMo —— 94.8 · Mem0 92.5

超长对话里的多会话记忆。

BEAM（1M）—— 68.5 · Mem0 64.1

一百万 token 预算下的字节高效联想记忆。

BEAM（10M）—— 53.9 · Mem0 48.6

同样的基准放大十倍预算，所有系统都会退化。

五路召回，融合成一个结果

召回不是一次相似度检索。五路独立信号并行给每个候选打分，再由重排器收敛，最后由相关性下限决定到底有没有东西配得上进入模型。

词法 —— BM25 / FTS5

Bigram 分词加内置同义词词典，对中文与英文同等用功。

语义 —— 向量相似度

可选。由 numpy 进程内后端或 Qdrant 插件提供；不开也能跑。

知识图谱 —— 边遍历

写入时抽取「主体 — 谓词 — 客体」边，读取时展开。

时间衰减

时效加权；只有当查询显式带有时间意图时，才切到事件时间。

置信度加权

系统对每条记忆的信任程度，看的是它的全部历史而不是当前值。

在五路之外还有一路结构化标签通道，让偏好与意图类问句保持可达 —— 这类问题几乎总是改写句，单靠语义分很容易落到下限之下。

可逆压缩，而不是有损摘要

用语言模型去摘要一条记忆，得到的是更短、但已经不再是那条记忆的东西：生成文本可能引入原文里根本没有的数字、日期和结论。AIC 胶囊走的是相反的路 —— 按结构压缩，并让原文始终可取回。

• 无损且可逆。 每个胶囊都带一条指回原文的指针；expand() 逐字取回并校验内容哈希。
• 零幻觉是结构保证的。 全程不做生成。要点是抽取式的，事实来自规则三元组，每个片段都必须是原文的逐字子串。
• 事实守恒。 数字、日期、金额、型号、URL、邮箱与引号原话被视为"原子"，在所有压缩层级都完整保留。
• 五级阶梯。 full → gist → facts → pointer → atoms，每一级都按同一套原子集校验。
• 内容寻址。 胶囊 key 由内容哈希、id、类型、时间与预算档共同派生，所以同一记忆在同一预算下产出逐字节相同的胶囊 —— 这正是上游前缀缓存能持续命中的原因。

是测出来的，不是声称的

下面每个数字都由仓库里的脚本产出，跑在真实存储上，而这套测量脚本是发版前第一个要跑的东西。

召回延迟 p50 —— 0.21 ms

端到端质量对照，对接真实向量栈。

存储层写入 —— 0.3 ms / 条

仅存储层本身的耗时。

完整写入路径 —— 约 1 ms

含安全公证、账本、审计与索引，这才是用户实际感受到的数字。

常驻内存 —— 10 万条 298 MB

全部在内存里，这是没有向量服务也能做到亚毫秒召回的物理前提。

Precision @ 1 —— 8 / 8

八条标注问答，对十六条同主题干扰项；包括在同一会话先问过 28 个无关问题之后。

胶囊压缩 —— 0.51 压缩比

73 token 的原文在 40 token 预算下压到 pointer 层级，七个关键原子全部保留。

批量写入 —— 约 15×

retain_batch 相对逐条写入。

亚秒级回归套件 —— 94 项断言

离线、不连任何外部服务，守的是原子守恒、零幻觉、无损往返与预算诚实。

它所在的市场

记忆之所以成为一个独立的基础设施品类，是因为「长上下文」被证明并不等于记忆。截至 2026 年的公开研究在主流模型上都测到：输入变长，准确率就下降 —— 这正是专用记忆层被推上台前的失效模式。

$6.27B

智能体记忆市场 2026

$28.45B

2030 预测

57%

企业已在生产跑智能体

40%+

智能体项目面临取消风险

最后这个数字最有意思。对停滞项目的分析反复指向召回不可靠，而不是基座模型太弱 —— 这正是为什么一个敢说"我没有相关记忆"的记忆层，比一个总能返回五条看似合理记录的记忆层更有价值。

方法论：上面 Mnemosyne OS 的数字来自本项目自己的回归套件，可用 scripts/verify_recall_quality.py、verify_precision_recall.py 与 verify_memory_lifecycle.py 复现。市场数据引自 2026 年公开发布的分析与行业报告。