Supermemory

产品简介

Supermemory 想卖的不是另一套向量库，而是一整层上下文基础设施：负责数据导入、理解、演化式记忆、实时源同步，以及在生产环境里足够快地把正确上下文取回来。

为什么最近热度高

它最近升温，一是今天进入了 GitHub Trending，二是官网已经把产品叙事扩展到 memory graph、MCP、插件、连接器，以及个人用户和开发者两条路线。更深层原因是，市场又开始重新关注不只是“RAG 拼装件”的记忆基础设施。

核心功能

• 把持久记忆、检索、用户画像、连接器和内容抽取收在同一套 API 中，减少团队自己拼接上下文栈的成本。
• 主打亚 300ms 检索和知识图谱式记忆层，支持更新、合并和处理事实冲突。
• 可同步 Slack、Notion、Drive、Gmail、GitHub 等来源，也提供文件系统和个人应用入口。

真实使用场景

• 需要长期记忆能力、但不想从零自建上下文层的代理开发者。
• 希望在多个产品中复用同一套导入、检索和个性化能力的团队。
• 想让 Claude、Cursor、Codex 等工具共享同一份知识和历史的个人用户。

社区反馈

做记忆工具的人现在经常拿它和其他方案比延迟、召回、可自托管程度和价格。这说明它有存在感，但也意味着采购方不会只看落地页文案，肯定会要求真实评测。

限制与风险

记忆系统本身就是额外的基础设施依赖，真正价值很看导入质量、知识结构设计和持续评估。随着检索和同步量上来，成本也要盯紧。

替代方案

常见替代方案包括 Mem0、Zep、Graphlit、自建 pgvector 栈、内部 RAG 管线，以及更偏用户自有上下文的 Unabyss。

常见问题

• 谁最值得先评估 Supermemory？ 已经明确感受到无状态 prompt 不够用、正在做代理或 AI 应用的团队。
• 评估时最该看什么？ 实际检索质量、同步稳定性、运营成本，以及团队还需要自己补多少上下文逻辑。