Supermemory：构建具有全持久记忆能力的 LLM 应用的最快开源 AI 记忆 API
Supermemory 是一款面向 AI 应用的开源记忆引擎和应用程序。提供带有向量搜索、图搜索和会话管理的快速可扩展记忆 API。可与 LangChain、LlamaIndex、CrewAI 及任何 Python/JS 应用集成。支持自托管，零外部依赖。附带设置指南、基准测试和生产部署方案。
- ⭐ 26372
- 更新于 2026-06-10
Supermemory：构建具有全持久记忆能力的 LLM 应用的最快开源 AI 记忆 API #
TL;DR #
Supermemory 是一款面向 AI 应用的开源记忆引擎和应用程序。它提供带有向量搜索、图搜索和会话管理的记忆 API。它是最快的自托管记忆解决方案，专为需要在无外部依赖的情况下实现持久记忆的 LLM 应用而设计。
Supermemory 是一款面向 AI 应用的开源记忆引擎和应用程序。它提供带有向量搜索、图搜索和会话管理的记忆 API。它是最快的自托管记忆解决方案，专为需要在无外部依赖的情况下实现持久记忆的 LLM 应用而设计。
|| 指标 | Supermemory | Mem0 | LangChain Memory |
|——–|————-|——|——————|
| 延迟 | < 5ms | 15-30ms | 50-100ms |
| 设置 | pip install supermemory | Docker | 复杂 |
| 依赖 | 无 | 云 API | 众多 |
| 自托管 | ✓ | 有限 | 不适用 |
Supermemory 实现低于 5ms 的记忆检索延迟——在开源记忆引擎中速度最快。它面向那些希望为 LLM 应用添加持久记忆功能、同时不依赖外部服务的开发者。所有数据均存储在你的基础设施上，让你完全掌控隐私与安全。支持 100 万+条记录、50+ 种语言和 3 种以上搜索模式（向量、图、全文），Supermemory 是 AI 应用中最具可扩展性的记忆解决方案。
它是什么 #
Supermemory 解决一个问题：LLM 应用在会话之间会忘记所有内容。
它提供记忆 API，将对话、用户偏好和知识存储为结构化数据。与简单的向量数据库不同，Supermemory 将向量搜索与图关系相结合——让你的应用不仅能记住"说了什么"，还能记住"谁说的、何时说的、以及与其他内容如何关联"。
核心能力：
- 用于语义相似性的向量搜索
- 用于关系查询的图搜索
- 用于对话线程的会话管理
- 自托管，零外部依赖
- Python 和 JavaScript API
- 可与 LangChain、LlamaIndex、CrewAI 集成
Supermemory 面向那些希望为 LLM 应用添加持久记忆、而不依赖外部 API 或云服务的开发者。所有数据均存储在你的基础设施上，让你完全掌控隐私与安全。支持 100 万+条记录、50+ 种语言和 3 种以上搜索模式（向量、图、全文）——使其成为 AI 应用中最具可扩展性的记忆解决方案。
工作原理（30 秒） #
用户输入 → Supermemory API → 记忆存储
↓
语义搜索（向量）
+ 关系搜索（图）
↓
返回结构化上下文
↓
LLM 获得丰富上下文
Supermemory 分三层工作：
第一层——存储： 对话、偏好和事实存储为结构化数据。每条记忆条目都有元数据：用户 ID、时间戳、来源和关系。
第二层——索引： 记忆同时为向量搜索（语义相似性）和图搜索（关系查询）建立索引。这种双重索引既支持"查找相似记忆"，也支持"查找来自项目 Y 的关于人物 X 的记忆"。
第三层——检索： 当应用需要上下文时，它会查询记忆 API。结果包括语义匹配和关系图——因此 LLM 获得的是结构化上下文，而非原始文本。
快速上手（60 秒） #
在你的 Python 项目中安装 Supermemory：
pip install supermemory
# 为你的应用初始化记忆
python -c "import supermemory; m = supermemory.Memory(); m.init()"
# 存储记忆
m.add("User likes spicy food")
m.add("User is allergic to shellfish")
memories = m.search("dietary preferences")
print(memories)
或使用 Docker 用于生产环境：
docker run -d \
--name supermemory \
-p 8000:8000 \
supermemoryai/supermemory:latest
# API 地址为 http://localhost:8000
适用场景 / 何时跳过 #
如果你……则非常合适：
- 构建需要持久记忆的 LLM 应用
- 希望自托管记忆而不依赖外部服务
- 同时需要向量和图搜索
- 使用 LangChain、LlamaIndex 或 CrewAI
如果你……则请跳过：
- 需要跨用户共享云记忆
- 工作在无法运行 Python 的环境中
- 只需要简单的键值存储
基准测试 #
Supermemory 实现低于 5ms 的记忆检索延迟——在开源记忆引擎中速度最快。
性能对比 #
|| 指标 | Supermemory | Mem0 | LangChain | |——–|————-|——|———–| | 延迟 | < 5ms | 15-30ms | 50-100ms | | 设置时间 | 60s | 5min | 30min | | 记忆上限 | 100 万条记录 | 10 万条记录 | 1 万条记录 | | 依赖数量 | 0 | 3-5 | 10+ |
Python API #
import supermemory
# 初始化记忆
m = supermemory.Memory()
m.init()
# 添加带元数据的记忆
m.add("User likes spicy food", tags=["diet", "preference"])
m.add("User works at Google", tags=["work", "company"])
# 语义搜索
results = m.search("dietary preferences", top_k=5)
# 图搜索
connected = m.get_connections("User works at Google")
# 会话管理
session = m.create_session()
session.add("User preferences")
session.query("What does this user like?")
高级功能 #
# 添加带时间戳的记忆
m.add("Meeting with John at 3pm", timestamp="2026-06-10T15:00:00")
# 按元数据过滤
filtered = m.search("meeting", metadata={"tags": ["work"]})
# 更新记忆
m.update("User likes spicy food", "User prefers very spicy food")
# 删除记忆
m.delete("Outdated memory")
# 备份与恢复
m.backup("backup.tar.gz")
m.restore("backup.tar.gz")
Python API 提供完整的 CRUD 操作、元数据过滤和会话管理。它既适用于简单用例，也适用于复杂的生产部署。
Docker 生产部署 #
对于生产环境，使用 Docker 部署 Supermemory：
# 构建 Docker 镜像
docker build -t supermemory-server .
# 使用环境变量运行
docker run -d \
--name supermemory \
-e SUPERMEMORY_PORT=8000 \
-e SUPERMEMORY_HOST=0.0.0.0 \
-v /data/supermemory:/data \
-p 8000:8000 \
supermemory-server
# 查看日志
docker logs -f supermemory
# 健康检查
curl http://localhost:8000/health
Docker 部署支持：
- 通过卷挂载实现持久数据存储
- 环境变量配置
- 健康检查端点
- 日志管理和监控
- 通过 Docker Swarm 或 Kubernetes 实现水平扩展
API 参考 #
Supermemory 提供 REST API 用于程序化访问：
# 获取所有记忆
curl http://localhost:8000/memories
# 添加新记忆
curl -X POST http://localhost:8000/memories \
-H "Content-Type: application/json" \
-d '{"text": "User prefers dark mode", "tags": ["preference"]}'
# 搜索记忆
curl "http://localhost:8000/memories/search?q=dark+mode&limit=5"
# 删除记忆
curl -X DELETE http://localhost:8000/memories/{id}
API 支持：
- 记忆的 CRUD 操作
- 向量搜索查询
- 图关系查询
- 会话管理端点
- 批量导入的批处理操作
用例 #
用例 1：客服机器人 #
# 存储客户偏好
memory.add("Customer prefers email contact", tags=["customer", "contact"])
memory.add("Customer has premium subscription", tags=["customer", "subscription"])
# 检索支持查询的上下文
context = memory.search("premium features", top_k=10)
用例 2：个性化推荐引擎 #
# 跟踪用户交互
memory.add("User clicked on Python tutorial", tags=["interaction", "python"])
memory.add("User completed SQL course", tags=["interaction", "sql"])
# 基于历史记录生成推荐
recommendations = memory.search("user learning path", top_k=5)
用例 3：研究知识库 #
# 存储研究笔记
memory.add("Paper: Attention Is All You Need", tags=["research", "transformer"])
memory.add("Experiment: BERT vs GPT on NLI", tags=["research", "experiment"])
# 交叉引用发现
related = memory.get_connections("transformer models")
JavaScript API #
import { Memory } from 'supermemory';
const m = new Memory();
await m.init();
await m.add('User likes spicy food', { tags: ['diet'] });
const results = await m.search('dietary preferences', { top_k: 5 });
LangChain 集成 #
from langchain.memory import SupermemoryMemory
memory = SupermemoryMemory(
session_id="user-123",
return_messages=True
)
chat_history = memory.chat_memory
print(chat_history.messages)
与替代方案对比 #
|| 功能 | Supermemory | Mem0 | LangChain Memory | |———|————-|——|——————| | 自托管 | ✓ | 有限 | 不适用 | | 向量搜索 | ✓ | ✓ | ✓ | | 图搜索 | ✓ | ✗ | ✗ | | Python API | ✓ | ✓ | ✓ | | JS API | ✓ | ✗ | ✗ | | 延迟 | < 5ms | 15-30ms | 50-100ms | | 依赖数量 | 0 | 3-5 | 10+ |
Supermemory 的双重索引方法支持语义查询和关系查询，使其成为 AI 应用中最通用的记忆解决方案。
局限性 / 诚实评估 #
Supermemory 不适合所有人：
- 不适合云团队：自托管意味着你要自己管理基础设施
- Python 优先：虽然存在 JavaScript API，但 Python 是主要语言
- 无团队共享：记忆是按应用隔离的，不会跨组织共享
它是为个人开发者和小型团队构建的，这些人希望为 LLM 应用添加持久记忆而不依赖外部服务。
安全注意事项 #
对于生产部署，请确保：
- 对所有 API 连接使用 HTTPS
- 通过 API 密钥或 JWT 令牌启用身份验证
- 定期备份记忆数据
- 监控访问日志以检测可疑活动
- 使用 AES-256 对静态敏感记忆进行加密
# 使用 Let's Encrypt 启用 HTTPS
sudo certbot --nginx -d supermemory.yourdomain.com
# 配置 API 密钥认证
export SUPERMEMORY_API_KEY=*** Start with security enabled
docker run -d \
--name supermemory \
-e SUPERMEMORY_API_KEY=*** \
-p 443:443 \
supermemory-server
Supermemory 存储敏感数据，包括对话和偏好。对于生产使用，请实施这些安全措施来保护你的数据。建议对高安全部署定期进行安全审计和渗透测试。
Q1：Supermemory 需要任何外部服务吗？ #
不需要。Supermemory 是零外部依赖的自托管方案。一切都在你自己的基础设施上运行。
Q2：我可以将 Supermemory 与任何 LLM 框架一起使用吗？ #
可以。它提供 Python 和 JavaScript API，可与 LangChain、LlamaIndex、CrewAI 或任何能发起 HTTP 请求的框架配合使用。
Q3：向量搜索和图搜索有什么区别？ #
向量搜索查找语义上相似的记忆。图搜索查找通过关系连接的记忆（同一用户、同一项目、同一时间段）。Supermemory 同时提供这两种搜索。
Q4：Supermemory 能处理多少记忆？ #
Supermemory 每个应用实例最多支持 100 万条记录。对于更大数据集，你可以在多个实例之间水平扩展。
Q5：我可以在生产环境中使用 Supermemory 吗？ #
可以。Supermemory 提供 Docker 部署选项，专为生产使用而设计。自托管架构意味着你掌控基础设施。
Q6：Supermemory 如何处理数据隐私？ #
所有数据都存储在你的基础设施上。不会调用外部 API。你可以使用标准 TLS 对传输中和静态数据进行加密。
Q7：我可以从其他记忆系统迁移数据吗？ #
可以。Supermemory 支持通过 CSV、JSON 和自定义数据格式进行批量导入。还提供针对常见系统的迁移脚本。
来源与延伸阅读 #
- 官方文档：supermemory.dev
- GitHub 仓库：supermemoryai/supermemory
- Python API 文档：GitHub
- JavaScript API 文档：GitHub
结论：构建真正拥有记忆的 LLM 应用 #
Supermemory 解决了"金鱼记忆的 LLM 应用"问题。它将记忆存储为结构化数据，为向量搜索和图搜索建立索引，并返回结构化上下文——全部自托管，零外部依赖。
立即试用：
pip install supermemory
python -c "import supermemory; m = supermemory.Memory(); m.init()"
对于在 VPS 上自托管记忆，建议使用 HTStack 的经济实惠 GPU 托管，或使用 DigitalOcean 实现轻松云部署。
快速启动命令：
# 一键设置
pip install supermemory && python -c "
import supermemory
m = supermemory.Memory()
m.init()
m.add('Test memory')
print('Supermemory initialized!')
print(m.search('test'))
"
此命令演示了如何在一条命令中初始化 Supermemory、添加测试记忆并搜索它——非常适合快速开始构建你自己的 LLM 应用。
Supermemory 通过提供真正能记住用户所说一切内容的持久记忆，解决了"金鱼记忆的 LLM 应用"问题。它是 AI 应用中最具可扩展的记忆解决方案，支持 100 万+条记录、50+ 种语言和 3 种以上搜索模式（向量、图、全文）。
加入 dibi8 中文 Telegram 群 参与 AI 记忆系统和 LLM 应用架构的讨论。
相关文章：
以上部分链接为联盟链接。如果你通过链接注册，dibi8.com 可能赚取佣金，而你无需额外付费。这有助于保持网站运行和内容免费。
💬 留言讨论