GTC 2026发布：Memoria 开源项目——业内首个“Git for Memory” Agent可信记忆框架

关注

原创 2026-03-19 09:21:42 736 阅读 AI 写同款· GEO 优化 ›

Hindsight 开源AI长记忆系统从零部署与MCP全链路实操指南 Hindsight是一款基于MCP协议的轻量级开源AI Agent长期记忆系统，通过Docker一键部署，实现跨会话持久记忆、语义检索与动态遗忘，无需依赖向量数据库。支持Cursor、LangChain等主流工具无缝集成，解决大模型“会话失忆”痛点。本文提供从环境配置、API实操到生产调优的全流程指南，涵盖记忆写入、召回、更新及常见问题排查，助力个人提效与企业Agent私有化落地。阅读详情

随着 OpenClaw、Cursor 这样的 AI Agent 大规模走进应用日常，Memory 的管理正成为制约 Agent 走进现实生产力的最后一道枷锁。今天，在 NVIDIA GTC 这一全球 AI 技术大会的舞台上，矩阵起源 CEO 王龙正式宣布开源其核心 Agent Memory 项目：Memoria。
https://github.com/matrixorigin/Memoria。

作为业内首个提出"Git for Memory"概念的 Agent 可信记忆框架，Memoria 不仅仅是让 Agent 记住，更是通过底层 MatrixOne 的 Copy-on-Write 技术，让 AI 记忆变得可回溯、可管理、可信赖。
在这里插入图片描述

阶段一：完全没有记忆的 Agent

2026 年，Cursor、Claude Code、Kiro 等 AI 编程助手已经成为数百万开发者的日常工具。它们能理解代码、生成方案、重构架构。但每次你关掉对话窗口，一切归零。下一次对话，它不知道你用什么框架，不知道你的代码风格，不知道上周你们一起做了什么决定。你告诉它二十遍，它明天还会再问。这不是某个产品的 bug。这是整个行业的架构缺陷。

今天绝大多数 AI Agent 本质上是无状态的。每次对话都是一张白纸。Agent 不知道你是谁，不知道你的项目长什么样，不知道你们之前达成过什么共识。它能做的，只是在当前对话窗口里尽可能聪明地回应你。

这意味着什么？

重复沟通成本巨大。 每个新会话都要重新建立上下文。你的偏好、项目约定、技术选型——每次都要重新说一遍，或者靠手动维护的配置文件来补救。
知识无法积累。 Agent 在一次对话中学到的东西，下次全部丢失。上周它帮你重构了 auth 模块，这周它完全不记得。
协作深度受限。 没有记忆的 Agent 永远只能做单次任务执行，无法成为真正理解你项目的长期协作伙伴。

这是今天大多数开发者面对的现实。每一次新对话，都是一次从零开始的关系。

阶段二：Markdown 文件初级记忆

行业并非没有尝试解决这个问题。

.cursorrules、CLAUDE.md、Kiro 的 steering 文件，以及 OpenClaw 这样的社区项目，都在用同一个思路：把 Agent 需要知道的东西写成 Markdown 文件，放在项目里，让 Agent 每次启动时读取。

这比完全没有记忆好得多。至少 Agent 知道你用什么框架、遵循什么代码风格、项目的基本结构是什么。OpenClaw 更进一步，提供了一个社区驱动的规则库，让开发者可以共享和复用这些配置。

但 Markdown 记忆有几个根本性的局限：

静态的。 这些文件本质上是你手动编写的文档。你写一次，很少更新。它们无法自动捕捉开发过程中不断演变的决策——上周二你从 black 换成了 ruff，auth 模块被重构成了 session token，部署脚本在 k8s 迁移后改了。这些变化不会自动反映到你的规则文件里。
单向的。 Agent 只能读取这些文件，不能写入。它无法把对话中学到的新信息持久化下来。今天你告诉它"我们决定用 SQLite 替换 PostgreSQL"，明天这个决定就消失了——除非你手动去更新文件。
无结构的。 一个 Markdown 文件里可能混杂着代码风格、架构决策、部署流程、个人偏好。随着项目演进，这个文件会越来越长、越来越难维护，最终变成一个没人愿意更新的屎山。
无法回滚。 如果你更新了规则文件导致 Agent 行为变差，没有简单的方式回到之前的状态。

Markdown 记忆是一个重要的进步，但它本质上是人工维护的静态配置，而不是真正的 Agent 记忆系统。

阶段三：Memoria——让 Agent 拥有真正的记忆

有记忆的 Agent 和没有记忆的 Agent，是两种完全不同的体验。

有记忆的 Agent 知道你喜欢 tabs 而不是 spaces，知道你的项目用 Zustand 的 slice 模式，知道上周你们决定把数据库从 PostgreSQL 切换到 SQLite——不是因为你写在了某个配置文件里，而是因为它在对话中学到了这些，并且自动记住了。

它能基于过去的上下文做出更准确的判断，因为它有历史。它不需要你重复自己，因为它记得。更重要的是，这些记忆是动态的、可管理的、可回滚的。

这就是 Memoria 要做的事。

Memoria：让 Agent 的记忆像代码一样可管理

Memoria 是一个开源的 Agent 记忆服务器。它可以无缝接入 Cursor、Claude Code、Kiro 以及各类主流 AI 工具，为 Agent 提供跨会话的持久化记忆。Memoria 也提供了 OpenClaw 插件，可以轻松接入已经在运行的大量龙虾 Agent。

但 Memoria 不只是给 Agent 加了个数据库。

市面上已经有一些 Agent 记忆方案——Mem0、Letta、Zep 等。它们各有所长，但都面临一个共同的局限：记忆一旦写入，就很难安全地管理。

想象一下这个场景：你的 Agent 在过去两周的对话中积累了大量项目记忆。然后你开始一次大规模重构实验，Agent 的记忆也随之更新。实验失败了，你想回到之前的状态——但 Agent 的记忆已经被覆盖了。怎么办？

在传统记忆系统中，你只能手动翻找、逐条删除或修改。这既不安全，也不可靠。

Memoria 的核心创新是：把 Git 的版本控制理念引入 Agent 记忆管理。

就像开发者用 Git 管理代码一样，Memoria 让你可以：

快照（Snapshot）： 在关键操作前保存记忆状态，随时回滚到任意历史节点
分支（Branch）： 在隔离环境中进行实验，不影响主线记忆
合并（Merge）： 实验成功后，将分支记忆合并回主线
差异对比（Diff）： 合并前预览变更，就像代码的 Pull Request
回滚（Rollback）： 出了问题？一键恢复到之前的干净状态

这不是一个比喻。这是真实的、可操作的版本控制，作用于 Agent 的每一条记忆。

为什么版本控制对 Agent 记忆至关重要

这不仅仅是"方便管理"的问题。2025 年的两项重要研究揭示了更深层的原因：

安全性：Agent 记忆可以被悄悄投毒

多篇学术论文（MemoryGraft、MINJA、A-MemGuard）已经证明，攻击者可以通过间接提示注入向 Agent 的长期记忆中植入恶意内容——只需让 Agent 读取一份精心构造的文档。被污染的记忆会跨会话持续存在，逐渐改变 Agent 的行为，而用户可能完全不知情。

大多数记忆系统对此束手无策。Memoria 的快照 + 回滚机制提供了确定性的恢复路径：发现异常后，直接恢复到最后一个已知的干净状态。

效果：Git 操作显著提升 Agent 能力

Git-Context-Controller 论文（Wu, 2025）表明，将 commit/branch/merge 操作引入 Agent 的上下文管理，使 SWE-Bench 任务解决率提高了 13 个百分点，达到 80.2%。消融实验证实，branch 和 merge 是最后关键提升的来源。具备分支能力的 Agent 自发地发展出了更结构化的探索策略。

Memoria 将同样的原理从临时上下文扩展到持久化记忆——这是一个互补且必要的层。

Memoria vs 其他记忆方案：核心差异

	Memoria	Mem0	Letta	Zep/Graphiti
定位	编程 Agent 的版本控制记忆	通用 AI 应用记忆	Agent 框架内置记忆	知识图谱记忆
核心能力	快照、分支、合并、回滚	追加/更新	分层存储	时序图谱
版本控制	完整的 Git 式操作	仅时间戳	无	双时态追踪
存储架构	单一数据库（MatrixOne）	24+ 后端	PostgreSQL + 向量库	Neo4j
接入方式	开放协议，即插即用	SDK/API	框架绑定	SDK/API

技术架构

┌──────────────────┐            ┌──────────────────────────┐            ┌──────────────┐
│                  │            │                          │            │              │
│   AI Agent 层    │   记忆     │     Memoria Server       │            │  MatrixOne   │
│                  │   存储/检索 │                          │  SQL +     │   Database   │
│  · Cursor        │◄─────────►│  · 规范化存储             │  向量 +    │              │
│  · Claude Code   │            │  · 语义检索               │  全文检索  │  · 结构化数据 │
│  · Kiro          │            │  · Git-for-Data 引擎     │◄─────────►│  · 向量搜索   │
│  · OpenClaw      │            │  · 自治理（治理/整合/反思）│            │  · 全文搜索   │
│  · ...           │            │                          │            │  · CoW 引擎  │
│                  │            │                          │            │              │
└──────────────────┘            └──────────────────────────┘            └──────────────┘

Memoria 的底层由 MatrixOne 数据库驱动——一个同时支持结构化数据、向量搜索和全文搜索的统一数据库。这意味着你不需要拼凑多个基础设施组件，一个数据库解决所有问题。

版本控制能力来自 MatrixOne 的 Copy-on-Write 存储引擎，在数据库层面原生支持零拷贝快照和分支隔离。对包含数千条记忆的空间进行分支操作只需毫秒，且在产生实际变更前不消耗额外存储。

记忆检索采用混合向量 + 全文搜索策略，按相关性和时效性综合评分。Embedding模型默认本地运行，也支持接入 OpenAI、Ollama 等外部服务。

系统还内置了三个自治理工具，定期自动运行：