AI Agent 记忆三条路线，中小项目选纯 Markdown 最稳

目前 AI Agent 记忆的几个主流技术路线基本可以收敛为三类：

第一类是全自动向量与图谱记忆库，典型代表是 OpenViking、Mem0、Letta 这类项目。 实现机制是在客户端挂 Hook 拦截会话，后台用大模型异步抽取实体和事实，存入向量库和图数据库；在每次输入时，通过前置意图分析模型判断是否触发检索，再经重排注入上下文。 优势在于对上层无感，跨工具、跨会话被动积累历史事实，适合多客户端共用一个全局大脑。 软肋是工程链路极长，每次交互前多出至少一次模型推理和向量检索，天然增加一到两秒的物理延迟；自动抽取的碎片缺乏人工校验，容易堆积过期失效的信息；同时向量数据库强绑定特定的 Embedding 模型，一旦换代全库都要重建。

第二类是纯静态结构化文档流，也就是目前主流 IDE 和 Agent 广泛采用的规则文件与 Skills 架构。 实现机制是由人或工程脚本显式沉淀 Markdown 文件，如 AGENTS.md、CLAUDE.md、系统提示词或针对特定任务按需激活的上下文卡片。 优势在于百分之百确定，毫无黑盒幻觉，本地直接加载零延迟，改动走 Git 记录清晰可见。 软肋在于依赖人工维护与分层设计，如果项目过于庞大且规则没有做好按需拆分，容易单次塞入过多上下文导致注意力稀释；且无法自动捕捉跨会话零散出现的个人临时习惯。

第三类是混合投影模式，以本地 Markdown 为唯一真源，把向量检索降级为轻量辅助索引。 实现机制是所有业务事实、架构决策和硬性规则依然落在纯文本文件中，只有在文档量突破百万字、关键词检索难以准确定位时，才在本地挂载轻量向量索引辅助打捞。 优势在于兼顾了纯文本的可控性与语义联想的宽容度，即便索引损坏或换模型，从 Markdown 重新扫一遍就能原地重建。

对于绝大多数独立开发者和中小型项目，个人日常编码与任务执行，第二种纯静态 Markdown 配合 Git 管理是综合体验最好的选择，成本最低且没有意外。 只有当你面对海量跨月、跨工具的松散交互记录，且完全无法靠人工分类归档时，再考虑引入第一类独立的服务型记忆底座。