Supermemory 架构拆解：当 Agent Memory 变成一张图

Supermemory 是一个 agent memory 服务。你把对话、文档、各种内容扔给它，它帮你提取事实、维护关系、处理冲突，搜索的时候返回和当前上下文最相关的记忆。定位是给 AI agent 做长期记忆的基础设施。

最近在 X 上频繁看到 Supermemory。一方面是越来越多开发者开始用它的 plugin 给 OpenClaw、Claude Code 这些 coding agent 加 memory layer，另一方面是 Supermemory 的 CEO Dhravya Shah 前两天发了一篇 article，讲他们用多 agent 编排在 LongMemEval 上打到了 ~99%，拿了 2.5M views。虽然他自己在推文里承认 "this was a stunt"，那个 99% 的方案是实验性的（用 8 个 specialist agent 并行回答然后投票），不是他们的 production engine。但这篇文章确实引起了很多关注，也让我好奇 Supermemory 的 production 架构到底是怎么设计的。

之前写了 OpenClaw 的记忆系统，OpenClaw 走的是 Markdown-first 的路线：长期记忆存在文件里，搜索索引只是派生层，dreaming 把短期信号逐步提升为长期记忆。整个系统围绕文件展开，透明、可编辑、完全本地。

Supermemory 走了一条完全不同的路。它把记忆建模成一张图，每条记忆是一个节点，节点之间有版本关系和语义关系。OpenClaw 认为记忆是文本，Supermemory 认为记忆是事实的图谱。

这篇文章拆解 Supermemory production 系统的架构设计。素材来自两部分：它的 research paper 和它的 开源代码。后面会提到，这两部分之间有一些有意思的落差。

核心抽象：Document 和 Memory

Supermemory 最重要的一个设计决策是把输入和理解分成两层。

Document 是你扔给它的原始内容。PDF、网页、对话记录、文本片段。它是 stateless 的，一篇关于 Python 编程的文档对谁都一样，不会因为用户不同而改变。

Memory 是系统从 Document 中提取出来的原子化事实。"Alex 在 Stripe 做 PM"、"用户偏好深色模式"、"项目 deadline 是下周五"。Memory 是 stateful 的，绑定到具体的用户或实体，会随时间演变。

用一个不太精确但直觉上好理解的类比：Document 是书，Memory 是读完之后脑子里留下的东西。

这个分层解决的是标准 RAG 的一个根本问题。传统 RAG 直接在原始 chunk 上做搜索，但 chunk 从原始文档里拔出来之后，代词指代不清、上下文丢失，信噪比低。Supermemory 先把 document chunk 提炼成原子事实，搜索在这些高信噪比的 memory 上进行，命中后再把原始 chunk 注入结果来补充细节。

Memory 层做精准召回（高信噪比，一条记忆就是一个事实），Chunk 层补充细节（完整上下文，适合 LLM 做细粒度推理）。这个两层搜索的设计解决了"memory 太抽象丢细节"和"chunk 太嘈杂召回差"的两难。

Relational Versioning：记忆之间的关系

如果只做到 Document → Memory 的提取，那 Supermemory 就是一个稍微精细一点的 RAG。更大的区别是它在 memory 之间建立的关系。

三种关系类型：

1. updates。新事实推翻旧事实。你上个月说"我最喜欢蓝色"，这个月说"我现在喜欢绿色了"。系统不会让两条矛盾的 memory 同时存在，而是建立一个 update 关系：新 memory 标记 isLatest=true，旧的标记 isLatest=false。搜索默认只返回最新版本，但历史版本沿着版本链可以追溯。

2. extends。新事实补充旧事实，不矛盾。"Alex 在 Stripe 做 PM" 后来又知道了 "Alex 负责支付基础设施，带 5 人团队"，第二条 extends 第一条。两条都有效，搜索时能拿到更丰富的上下文。

3. derives。系统从多条 memory 推断出新事实。"Alex 是 Stripe 的 PM" + "Alex 经常讨论支付 API 和反欺诈" → 系统推断 "Alex 大概负责 Stripe 的核心支付产品"。这条 derived memory 标记 isInference=true。

这是 Supermemory 和 OpenClaw 最根本的差异。OpenClaw 的记忆是扁平的 Markdown 文本，MEMORY.md 里一行一条，没有结构化的关系。你告诉 agent 你换工作了，它得靠自己的判断力去修改 MEMORY.md 里的旧信息。Supermemory 把这个问题内化到了数据模型里：新旧信息的关系不是文本编辑，而是图上的一条边。

和 GraphRAG 的区别

看到"graph"这个词，我最开始联想到的是前两年微软做的 GraphRAG。两者都认为 flat vector search 不够用，都在 vector 之上加了一层图结构，但图的设计其实完全不同。

GraphRAG 建的是传统的 entity-relationship 知识图谱。三元组结构：entity → relation → entity。从文档里提取出 "Microsoft → headquartered_in → Redmond" 这类关系，然后做 community detection 把紧密关联的 entity 聚类，再对每个 community 做层级摘要。它解决的是"对一个大语料做全局性问答"的问题，比如"这批文档的主要主题是什么"。

Supermemory 建的不是 entity graph，而是 versioned fact graph。节点是原子化事实，边是版本关系。Supermemory 自己的文档里有一句话直接点明了这个区别："Unlike traditional knowledge graphs with entity-relation-entity triples, Supermemory's graph is facts built on top of other facts." GraphRAG 的图是静态快照，不处理知识冲突，也没有时间维度。Supermemory 的图是动态演进的，每条 fact 有版本链，旧事实可以被新事实 update，过期的事实会被自动遗忘。

从它开源代码里的 Zod schema 能看到完整的数据结构：

// packages/validation/schemas.ts
MemoryEntrySchema = z.object({
  id: z.string(),
  memory: z.string(),              // 原子事实
  version: z.number().default(1),
  isLatest: z.boolean().default(true),
  parentMemoryId: z.string().nullable(),  // 版本链上一个节点
  rootMemoryId: z.string().nullable(),    // 版本链根节点
  memoryRelations: z.record(            // {memoryId: relation}
    MemoryRelationEnum                  // "updates" | "extends" | "derives"
  ).default({}),
  isInference: z.boolean().default(false),
  isForgotten: z.boolean().default(false),
  forgetAfter: z.coerce.date().nullable(),
  // ...
})

版本链用 parentMemoryId / rootMemoryId 形成链表。关系用 memoryRelations 做邻接表。搜索返回结果时，会附带 context.parents 和 context.children，让 LLM 能看到一条 memory 的完整演变历史。

自动遗忘

Memory 不只是会积累，也会过期。Supermemory 有两种遗忘机制。

时间过期。"我明天要考试"，考试过了这条 memory 就没多大意义了。schema 里有一个 forgetAfter 字段，后端的 LLM 在提取 memory 时自动判断要不要设过期时间。后台 cron job 定期扫描过期的 memory，标记 isForgotten=true。

矛盾消解。通过 update 关系自动处理。"我喜欢绿色" 被 "我现在最喜欢蓝色了" update 之后，搜索只返回最新版本。旧 memory 不是删了，而是 isLatest=false，需要的时候还能追溯。

这解决了 OpenClaw dreaming 没有覆盖的一个问题。OpenClaw 的 dreaming 做的是 promotion：什么值得从短期记忆提升到长期记忆。但它不处理反方向的问题，即旧记忆过时了怎么办。Supermemory 用 update 关系 + forgetAfter 两个机制同时解决了知识冲突和时间过期。

User Profiles：预聚合的记忆

Profile 是一个工程优化。系统从所有 memory 中自动维护一个 per-user 的摘要，分两层：

• Static：长期稳定的事实。名字、职业、核心偏好。
• Dynamic：近期状态。当前项目、最近讨论的话题。

这个 profile 在每次对话开始时作为 default context 注入 LLM，不需要做搜索就能让 LLM 知道用户是谁。响应时间大约 50-100ms，因为它是预计算好的，不是实时搜索拼出来的。

这相当于把最高频召回的 memory 预热成一个 cache 层。大部分对话开头 LLM 需要知道的基础信息（"用户是做什么的"、"用户最近在忙什么"）都在 profile 里，不用每次都发起一次完整的 memory search。

Temporal Grounding：更精细的时间戳

Supermemory 的 research paper 重点宣传了一个叫 "Temporal Grounding" 的特性：每条 memory 有两个时间戳，documentDate（对话发生时间）和 eventDate（事件实际发生时间）。论文里画了图，写了专门的章节，把它列为 "core differentiator"。

但我翻遍了开源代码里的 Zod schema，没有找到 documentDate 和 eventDate 这两个字段。实际的时间模型是：

• createdAt / updatedAt：标准的数据库时间戳
• forgetAfter：过期时间
• addedAt：memory 关联到 document 的时间

这意味着什么？有两种可能。一种是 temporal grounding 确实存在，但实现在闭源的后端代码里，开源的 schema 只是客户端验证用的子集，不包含所有字段。另一种可能是 temporal grounding 更多是 LLM 在提取 memory 时通过 prompt engineering 实现的，不是一个独立的结构化字段，而是 memory 文本本身就包含了时间信息（比如 "Alex 在 2026 年 3 月搬到了 Seattle"）。

不管哪种情况，论文里描述的"双层时间戳"和实际代码之间有明显的 gap。这不影响对整体架构的判断，但可能会影响 benchmark 结果的置信度。

Benchmark：怎么看那些数字

Supermemory 在 LongMemEval_s 上的表现确实很强，尤其是在 multi-session（71.43% vs Zep 57.9%）和 temporal-reasoning（76.69% vs Zep 62.4%）两个 category 上。这两个恰好是 relational versioning 和时序理解直接解决的问题。

但有几点得注意。

第一，他们选择 session-by-session 而不是 round-by-round 的 ingestion 方式，和 LongMemEval 原论文的评估方法不同。这对做了 session-level 记忆提取的系统有利。第二，Zep 的数据直接引用自 Zep 自己的论文，不是在完全相同的条件下复现的。第三，500 道题的 benchmark 在统计上不算特别大，单个 category 的 delta 可能有噪音。

这不是说他们的结果有问题。relational versioning + 图结构在 knowledge-update 和 multi-session 场景上应该确实比扁平存储强，这个方向上的优势是符合直觉的。只是 benchmark 数字本身的精确对比要打个折。

和 OpenClaw 放在一起看

OpenClaw 信任文件系统和用户。MEMORY.md 你随时能打开看，能直接编辑。记忆的最终裁判是人。整个系统的复杂度是有上限的，因为 truth 始终锚定在可读可改的文本文件上。

Supermemory 信任算法和图结构。关系检测、冲突消解、自动遗忘，这些都交给系统自动处理。结果可能更准确（benchmark 数据确实更好），但你没办法打开一个文件看到所有记忆，也没办法直接改一行文字来纠正一条记忆。

最值得借鉴的一个 idea

抛开产品形态不谈，Supermemory 架构里最值得带走的一个思路是：把记忆之间的关系显式建模。

大部分记忆系统（包括 OpenClaw、Mem0、大多数 RAG 方案）把记忆当成独立的条目。每条记忆自己存在，搜索时按相似度排序返回。但现实中的记忆不是独立的，它们之间有版本关系（旧事实被新事实取代）、补充关系（一条信息给另一条增加细节）、推理关系（多条信息组合产生新理解）。

Supermemory 用三种边（updates / extends / derives）把这些关系编码进了数据模型。这让系统能回答一类其他方案回答不了的问题："Alex 现在在哪工作？"（需要知道哪个版本是最新的）、"Alex 的职业经历是什么？"（需要沿版本链追溯）、"Alex 这份工作具体做什么？"（需要找到 extends 关系的补充信息）。

这个思路不需要 Supermemory 的整套基础设施也能用。哪怕是在 Markdown 文件里，也可以用 frontmatter 或者 link 来标记一条 note supersedes 另一条。关键不是具体的技术实现，而是记忆不是孤立的点，而是有关系的图这个认知。

References:

• Supermemory Research Paper
• Supermemory Docs: How It Works
• Supermemory Docs: Graph Memory
• Supermemory Docs: Memory vs RAG
• Supermemory GitHub Repo
• LongMemEval Paper (Wu et al., 2024)