Best Agent Memory Framework 2026: рейтинг с тестами

Итог: рейтинг 2026 Best Agent Memory Framework (практика)

Выбор фреймворка зависит от что нужно помнить, кто может редактировать и устаревают ли факты — не от звёзд GitHub. С той же моделью правильный слой памяти побеждает смену модели по стоимости токенов и галлюцинациям.

В августе 2026 мы подключили шесть стеков к одному Node.js-скелету support-bot: регистрация → смена тарифа → жалоба → follow-up через 30 дней. Взвешивание time-to-first-memory, P95 латентности поиска, Recall@5 на реляционных зондах, месячной стоимости API и изоляции тенантов:

1. Mem0 — ~30 строк для add/search; managed или self-hosted; лучший default для существующих агентов.
2. Zep + Graphiti — лучший на фактах с истечением («аллергия прошла в июне»); аудиты finance/health/ticketing.
3. Letta (ex-MemGPT) — агенты редактируют memory blocks; ассистенты на недели; требуется runtime Letta.
4. TencentDB Agent Memory — Tencent MIT OSS; уровни Chat/Skill/Wiki/CodeGraph + пять MCP-инструментов; пути OpenClaw/Claude Code.
5. LangMem — примитивы LangChain на BaseStore; нулевое трение при LangGraph.
6. OpenMemory — локальный MCP на базе Mem0; общая память между Cursor и Claude Desktop; не multi-tenant SaaS.

Асимметричный вывод: нет универсального «лучшего» — есть лучший для пользовательской, временной, самоуправляемой или командной памяти.

1. Зачем агентам нужен выделенный слой памяти

Мейнстрим-агенты 2025–2026 (Claude Code, Cursor, OpenClaw) раздувают контекст до 200K+, но в продакшене всё ещё три класса сбоев:

• Разрывы между сессиями: пользователь сказал «только тёмная тема» на прошлой неделе, агент спрашивает снова — большие окна не восстанавливают завершённые threads.
• Время и отношения: «бюджет, который вчера одобрил менеджер» требует графа или bitemporal фактов, не плоских векторов.
• Командный cold-start: новые агенты не должны учить политику компании с пустого чата; монтировать Wiki, CodeGraph, одобренные Skills.

Слои памяти отделяют поток чата от извлекаемых активов с политикой записи, маршрутизацией и ACL — тот же паттерн, что изоляция dual-agent на облачном Mac: исполнение и память должны быть 7×24 онлайн, не на спящем ноутбуке.

2. Четыре типа фреймворков

2.1 Bolt-on слой (Mem0, OpenMemory)

Mem0 извлекает факты через SDK; OpenMemory оборачивает похожую возможность в локальный MCP для Cursor/Claude.

2.2 Временной граф (Zep / Graphiti)

Graphiti bitemporal рёбра; Zep Cloud хостит API.

2.3 Самоуправляемый runtime (Letta)

Letta — уровни core/recall/archival; инструменты агента редактируют память.

2.4 Нативная оркестрация + командный hub (LangMem, TencentDB)

LangMem на store LangGraph; TencentDB Agent Memory объединяет docs/code/chat в ACL-активы через MCP.

3. Методология бенчмарка

Среда: контрольный хост AWS t3.large + kvmboot облачный Mac M4 16GB (агент Claude Code + MCP-зонды). Данные: анонимизированный support-корпус, 50 ходов × 3 персоны. Метрики:

• TTFM (Time To First Memory): часы инженера от clone до первого успешного recall;
• P95 латентность поиска: миллисекунды на вызов search;
• Recall@5: 20 реляционных/временных ловушек;
• Оценка месячной стоимости: API write + search памяти (без основного LLM-чата);
• Изоляция: пользователь A не должен получать память пользователя B (должно падать).

Цифры — внутренние референсы kvmboot; прогоните 48ч на своих данных перед фиксацией вендоров.

4. Сравнение шести фреймворков

5. Заметки по фреймворкам

5.1 Mem0 — самая быстрая интеграция, крупнейшая экосистема

Первый recall за ~45 минут: pip install mem0ai, настроить Qdrant или managed endpoint, client.add(messages, user_id=...). Recall@5 ~88% на плоских фактах, ~62% на реляционных/временных ловушках. Graph Memory требует Pro (~$249/мес) — если графы в ядре, предпочитайте Zep. Доки: docs.mem0.ai. Лучше для существующих FastAPI/LangChain агентов, которым нужна только пользовательская память.

5.2 Zep (Graphiti) — временной слой и комплаенс

Onboarding ~2–3 часа (моделирование Session + User). Реляционный Recall@5 ~91% (лучший в группе); P95 ~180–220 мс managed. Zep CE снят; продакшен часто cloud или self-hosted Graphiti на Neo4j. Лучше для тикетинга, CRM, healthcare, где факты устаревают и важны аудиты.

5.3 Letta — долгосрочная персона и самоуправляемая память

Самая высокая стоимость интеграции: миграция агента на Letta SDK/ADE, TTFM ~1 день. Согласованность персоны на 50 ходах ~+15% vs Mem0 — агенты активно курируют core blocks. Self-host: Postgres + pgvector. Лучше для личных ассистентов, research-агентов, NPC, не «добавить API к микросервису».

5.4 TencentDB Agent Memory — четырёхуровневые командные активы + MCP

MIT OSS Tencent 2026 TencentDB-Agent-Memory — это Memory Hub, не одна векторная БД: Chat Memory, Skill, Wiki, CodeGraph как ACL-активы. По умолчанию SQLite + sqlite-vec локально; опционально TCVDB. После импорта среднего monorepo tdai_memory_search обогнал чистый Mem0-вектор на «кто вызывает этот API?» на +23% релевантных файлов. MCP-инструменты: tdai_recall, tdai_capture, tdai_session_end и др. npm-плагин OpenClaw + адаптеры Claude Code. Лучше для мульти-агентных команд с cold-start из docs и кода.

5.5 LangMem — нативные примитивы LangGraph

Если продакшен уже на LangGraph, langmem почти без трения: create_memory_store_manager на AsyncPostgresStore. Standalone-внедрение тяжёлое. Recall чуть ниже Mem0, но checkpoints и память делят один store — лучшая отладка в LangGraph.

5.6 OpenMemory — локальный MCP между приложениями

OpenMemory (линия Mem0): privacy-first локальный SQLite, MCP-сервер. Мы направили Cursor и Claude Desktop на один процесс — cross-app recall сработал. Не для multi-tenant SaaS; это слой личного workflow, не backend-платформа памяти.

6. Матрица сценариев

7. Рекомендуемые стеки

Стек A — Самый быстрый: Mem0 managed + Claude Code (облачный Mac) + MCP Git Server
Стек B — Комплаенс: Zep Cloud + backup Graphiti + audit-логи в S3
Стек C — Dev-команда: TencentDB (Wiki+CodeGraph) + OpenClaw Gateway + always-on облачный Mac
Стек D — Личный: OpenMemory MCP + Cursor + локальный backup Qdrant
Стек E — LangGraph prod: LangMem + AsyncPostgresStore + Mem0 sidecar профиля пользователя

Параллельные агенты: руководство по worktree на удалённом Mac M4. Колокируйте память с MCP на том же узле исполнения облачного Mac.

8. Типичные ошибки

• Ошибка 1: индексировать сырые чат-логи — используйте извлечение фактов.
• Ошибка 2: OpenMemory для multi-tenant SaaS — используйте ACL Mem0/Zep/TencentDB.
• Ошибка 3: миграция Letta для LangGraph-магазинов — LangMem легче.
• Ошибка 4: память на спящем ноутбуке — переносите на облачный Mac.
• Ошибка 5: игнорировать устаревание фактов — временные домены требуют Zep.

9. Rollout из семи шагов

1. Выбрать основной тип памяти (prefs / temporal / team wiki / self-managed persona).
2. Запустить 50-ходовый сценарий с реляционными/временными ловушками; измерить Recall@5 и P95.
3. Выбрать границу деплоя: локальный MCP, VPS или always-on облачный Mac.
4. PoC 48ч на суточной аренде облачного Mac; подключить add/search + MCP.
5. ACL-тест: cross-user retrieval должен падать; логи аудируемы.
6. Потолок стоимости: месячные writes × цена; бюджетируйте Zep при реляционной нагрузке.
7. Еженедельный аудит: 20 воспоминаний на устаревание/конфликт; затем зафиксировать месячный размер узла.

10. FAQ

Q1: Mem0 vs OpenMemory?

A: одна линия — OpenMemory это локальная MCP-дистрибуция для cross-app; Mem0 для встроенных multi-tenant backend.

Q2: TencentDB обязан использовать Tencent Cloud?

A: нет — по умолчанию локальный SQLite+sqlite-vec; TCVDB опционально в масштабе.

Q3: Letta с Claude Code?

A: отдельный runtime — используйте Mem0/Zep/TencentDB MCP как bolt-on с Claude Code.

Q4: LangMem standalone?

A: только если уже на LangGraph; иначе Mem0 быстрее.

Q5: RAM для слоя памяти?

A: 16GB PoC; 24GB для CodeGraph или 50+ параллельных поисков. См. практики колокации MCP.

11. Итог

Прагматичный выбор Best Agent Memory Framework 2026: Mem0 для скорости, Zep для времени, Letta для длинных сессий, TencentDB для командных активов, LangMem для LangGraph, OpenMemory для локального cross-app MCP. Сначала определите тип памяти; хостинг памяти + MCP на стабильном облачном Mac побеждает гонку за большими моделями.