不用向量库也能给 AI Agent 做记忆：开源 Memanto，写进去就能搜

给 AI Agent 做长期记忆主流做法绕不开向量库把文本切块、过一遍嵌入模型、存进向量数据库、建索引检索时算近似相似度再重排。memanto 想绕开这一整套。它给自己的定位是「AI Agent 喜欢的记忆」核心主张是一句话可查询而不是被注入Queryable, not injectable。意思是大多数记忆工具是「被动基础设施」——把一段静态记忆塞进上下文有用但本质是被动的。memanto 想做的是一个「主动的记忆智能体」你按相关性去查它而不是把一坨记忆硬塞进提示词。MIT 协议主要用 Python 写成目前 1.3k 星、版本 v0.2.4。三个动作remember / recall / answermemanto 把记忆收敛成三个原语比常见的「写入 检索」多了一个answer# 记住一条带类型memanto remember 用户偏好简洁的回答 --type preference# 按相关性召回可按类型过滤memanto recall 用户的沟通风格 --type preference# 直接基于记忆回答(对记忆做 RAG)memanto answer 这个用户喜欢什么风格answer是它和别家不太一样的地方不只把记忆捞出来给你还能直接基于记忆生成一个有依据的回答。记忆是有类型的内置 13 类instruction、fact、decision、goal、commitment、preference、relationship、context、event、learning、observation、artifact、error。它还支持按时间查——比如「截至某天」「某天之后变化过的」memanto recall deadline --as-of 2024-01-15 --changed-since 2024-01-01这对应它想补的几个「记忆缺口」静态注入、没有时间衰减、缺来源出处、记忆扁平没结构、不做冲突检测、有索引延迟。核心差异不用向量库写进去就能搜memanto 最不一样的地方在底层它不走向量数据库那一套而是建在一个叫Moorcheh的「信息论语义引擎」上。传统向量检索路线 vs memanto 的信息论引擎先看传统向量检索是怎么干的文本过一遍嵌入模型变成向量 → 存进向量库、建一套近似索引HNSW 这类→ 查询时算余弦相似度、找最近邻 → 再重排。中间得等建索引返回的还是近似结果。Moorcheh 把后半段整个换掉了。它仍然会用到 embedding但不靠在向量空间里量几何距离而是用信息论的方式去压缩和打分核心是三步•MIB最大信息量二值化把高维浮点向量压成紧凑的二进制——按信息量、熵来压而不是按几何坐标压。•EDM信息论距离不算余弦相似度而是看一条记忆能多大程度降低当前问题的不确定性来评分。比的不再是离得近不近而是对回答这个问题有多大信息增益。•ITS信息论分数给出一个 0 到 1、一致可比、还能解释的相关性分。这么一换带来两个直接结果写入即可搜——没有单独的建索引步骤存进去当下就能被检索到以及确定性的精确召回——不是向量库那种近似最近邻同样的输入给同样的结果。官方称延迟压在 90 毫秒以内。官方把这件事概括成一句没有向量数据库没有单独的索引管线——写入即可搜索。它的架构memanto 自己更像是夹在你的 Agent 和 Moorcheh 引擎之间的一层。官方架构图分三块memanto 的整体架构Agent 环境 → memanto 网关与共享服务 → Moorcheh 引擎图源项目仓库•左边·你的 Agent 环境IDE 集成、各种 Agent CLI、自定义 Agent、本地 Web 面板——都是发起方。•中间·memanto 本体一个网关CLI 引擎 FastAPI 服务加一组共享服务——remember / recall / answer、冲突解决、每日摘要、会话与鉴权、记忆同步、工具连接。•右边·Moorcheh 引擎真正干检索的地方提供零索引的语义数据库、为 Agent 优化的 RAG、以及对 LLM 的原生访问。所以 memanto 干的是「记忆管理 编排」底层检索全部交给 Moorcheh。它的成绩memanto 公布的 benchmarkLongMemEval 89.8 分、LoCoMo 87.1 分并称在这些标准评测上超过了 Mem0、Zep、Letta。这里要提醒一句这是 memanto 自己公布的对比而且各家评测的口径、版本、测试条件并不统一——跨项目直接比数字并不严谨。比如 Mem0 在自家评测里报的 LongMemEval 是 94.8和这里的口径就不是一回事。看个方向即可别当成定论。怎么用一条命令装好然后选本地还是云pip install memantomemanto # 选 On-Prem(Docker全本地)或 Cloud(免费 API key)•On-Prem要 Docker所有数据留在本地不需要账号。•Cloud去 console.moorcheh.ai 拿免费 key每月送 10 万次操作额度。接 Agent 也是一条命令官方列了 14 个以上Claude Code、Cursor、Codex、Windsurf、Cline、Continue、Goose、GitHub Copilot、Gemini CLI 等memanto connect claude-code另外它有 TypeScript SDK也能memanto serve起一个 REST API。几条注记•强绑定 Moorcheh。memanto 的检索能力全部来自 Moorcheh 这个信息论引擎——虽然有免费的本地 Docker 版但这是它自研的核心不是某个开放标准选它等于接受这一层。•核心引擎闭源可验证的细节有限。MIB / EDM / ITS 的名字和思路官方给了见论文 arXiv 2604.22085但 Moorcheh 是自研闭源目前第三方复现和独立评测都还少到底多好得自己上手验。•benchmark 是自报的。上面那组分数来自 memanto 自己跨项目比较要谨慎。•还很早。v0.2、1.3k 星迭代快但成熟度有限尝鲜可以上生产要做好跟版准备。它在记忆赛道里站哪把最近这几个 Agent 记忆方案放一起看差异其实就两个问题。一是记忆存在哪、给谁看。一类存在引擎里是黑盒你看不懂、只能查Mem0、memanto一类存成文件是白盒你能打开看、能手改ReMe、TencentDB Agent Memory。二是检索靠什么。Mem0 靠向量加 embeddingReMe 靠双链加混合检索TencentDB 靠文件加数据库分层下钻memanto 则换成了不用向量的信息论引擎。放成一张表项目记忆存哪检索靠什么最大不同Mem0引擎向量库向量 BM25 实体最流行、生态全、有托管云memanto引擎Moorcheh信息论不用向量写入即搜、结果精确ReMe文件Markdown双链 BM25 embedding可读可改还会自己整理TencentDB文件 数据库分层下钻省 token、100% 可追溯到原文memanto 和 Mem0 其实是一类——都是把记忆塞进一个引擎里、按需查询而不是落成你能翻看的文件。它在这一类里的特别之处是把「向量」这个几乎算行业标配的东西整个换掉了。写在最后memanto 给 Agent 记忆提了个不一样的思路——不堆历史、不靠向量换一个号称写入即可搜、结果精确的信息论引擎。思路新代价是把检索这层整个押在了一个自研引擎上值不值要看 Moorcheh 在真实场景里扛不扛得住。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】