一句话判断：这条视频的真正价值不在"框架横评"，而在它给出的选型前置提问框架——记给谁、记什么、记多久、怎么取（约前 5 分钟）。后半段对 Mem0 / Zep / Letta / Claude Code 的介绍是二手速览，几分钟就能在官方文档里看到更准确版本，且其中两处数字表述不严谨；如果你已经读过这些框架的文档，可以直接跳到结尾的"从最轻方案起步"结论。
字幕是机器转写，专有名词几乎全军覆没。为免读者被误导，先对齐：
| 转写稿 | 实际指 |
|---|---|
| Mm0 / m零G | Mem0（论文里发音为 "mem-zero"）[1] |
| ZEB / Zep | Zep，其开源引擎是 Graphiti [5] |
| let a / lanm | Letta（原 MemGPT，"MGP" 即 MemGPT）[2][6] |
| newo4G | Neo4j [5] |
| kuZu | Kùzu（嵌入式图数据库）[4] |
| 机器图谱 | 知识图谱（knowledge graph） |
| 大叔看看借口 / 记器图谱 / 向意向 | "文档、接口" / "知识图谱" / "语义向量"（均属转写噪声） |
另外，稿中"manlyZB let aline man论文"大概率是"Mem0、Zep、Letta 等论文"，无法确证，不做推断性补全。
视频事实：作者的出发点是"大部分开发者一上来就选框架"，他认为这个顺序反了——类比"还没想清楚要存什么数据就先比 MySQL 和 MongoDB，评估三天后发现 JSON 文件就够"。他给出的替代路径是先把四个问题想清楚，再从最轻的方案起步，遇到瓶颈再升级。
受众推断：正在做 LLM 应用、刚开始考虑长期记忆的独立开发者/小团队；不是已经在跑多租户记忆系统的人。7 分 21 秒的体量 + 全程口语复述，属于"观点+扫盲"型内容，不是工程教程。
作者的立场（应视为判断，不是行业事实）：
视频事实：分三种——① 单用户私有记忆（一个用户一个空间，不存在冲突）；② 多用户共享（团队知识库、产品 FAQ），立刻引出"谁能写、谁能读、两人同时改一条怎么办"；③ agent 自己的经验（上次遇到类似问题用了什么策略、效果如何），其特殊性在于"生产者和使用者是同一个 agent"。
补全（参考+推断）：②③ 其实各自对应成熟工程领域的旧问题。多用户共享记忆 = 多租户数据隔离 + 并发写冲突（这套问题在数据库与协作编辑领域有几十年积累，典型解法是命名空间/租户分区、乐观并发与版本号）。agent 自身经验记忆则最接近强化学习里的"策略/经验复用"与反思类方法（reflection）。推断：作者把 ③ 单列是这条视频里最有洞察的一点，但他没展开——因为 ③ 会带来一个 ①② 都没有的风险：错误的自我经验会被反复强化，且没有人类审核环节。
视频事实：四类——① 信息（姓名、住址、注册时间，"结构清楚，存取都容易"）；② 偏好（"喜欢简洁回复""不爱表情包""习惯晚上 10 点后提问"，比信息模糊，但文本能表达）；③ 行为模式（"上次这么处理效果好""该客户用某模板能搞定"，强调"这不是信息，是实际经验"）；④ 关系（"江三和李四同系，李四在某公司"，文本很难表达，必须结构化存实体间的连接）。
补全（参考）：这个四分法与学术/工业界常见的记忆分类基本可对齐——语义事实（semantic）、偏好/用户画像（preference/profile）、情景经验（episodic，即 ③）、以及关系型结构（relational/graph）。我这里没有找到把"信息/偏好/行为/关系"作为标准四分类的权威文档，故视为作者自创的分类框架，它好用，但不是行业术语，搜索时别按这四个词找。
视频事实：这是他强调"很多人会忽略"的一点——信息会过期（搬家、口味变、技术栈迁移），不处理不会自动消失，只会越堆越多，"记忆库变成垃圾堆，检索时旧信息混进来，精度反而下降"。他点名 Zep 的做法"挺聪明"：每条记忆带一个时间窗口（例如"江三住在北京"标注截至某年某月），过期不是删除而是标记失效，新信息进来自动覆盖，查询拿到的永远是最新版本。
补全并核验（参考）：Zep 的引擎 Graphiti 确实是"时间优先"的设计，每条边带 valid_from / valid_to / invalid_at 有效性窗口，能回答"客户搬家前的地址是什么""Q2 调整前的预算是多少"这类问题；同源的对比材料也明确指出 Mem0 没有原生时序模型（记忆只在创建时打时间戳，没有事实有效期/被取代的概念）。以上均来自 [5]，而 [5] 是 Vectorize 公司（卖自家记忆产品 Hindsight）的对比页，属厂商侧二手材料，可信度低于官方文档，我未在 Mem0 官方文档中逐条核实这一负面断言，故标注：UNVERIFIED（"Mem0 无原生时序模型"这一负面结论未在官方来源确认）。
推断：作者说"标记失效而非删除"是聪明做法，这一步在工程上等于把"记忆"从可覆盖的键值升级成带版本的事实；代价是查询侧要处理时间过滤与多版本合并，复杂度并不会凭空消失。
视频事实：分三层——① 精确查找（"这个用户叫什么"，key-value 甚至一个字典就够）；② 模糊联想（"跟这个话题相关的都讲出来"，向量检索的强项：文本转向量、按相似度排序取前几条）；③ 多跳推理（存了 A 在某公司、B 与 A 相关，问"A 跟哪家公司有关"——A 和公司名的语义一点都不像，向量检索大概率找不到；知识图谱沿关系链走两步，A→B→公司，答案直接出来）。
补全（参考）：③ 的现象在检索研究里确实存在——向量相似度不建模"关系"，多跳需要沿边遍历，这是图结构存在的理由。但作者的二分法漏了第三条路：让 agent 自己迭代检索、重写查询。Letta 团队那篇博客的核心论点正是这个——agent 可以把原始问题改写成更适合检索的查询、反复搜索直到找到，因此"专门的（单跳）记忆工具反而不如让 agent 自主迭代查询有效"[2]。推断：这是对视频"向量 or 图谱"框架最实质的补充：多跳可以由更强的 agent 循环 + 简单工具部分弥补，而不只是靠引入图数据库。
Mem0 视频说"这个品类用得最多，核心是向量存储，接口简单，P95 延迟 1.4 秒"。论文层面的准确说法：Mem0 是"以记忆为中心的架构"，动态抽取、整合、检索对话中的显著信息；另有图记忆变体 Mem0g，把记忆存成有向标记图（实体为节点、关系为边），用于需要跨多条记忆导航关系路径的查询[1]。视频的"核心就是向量存储"对基础配置成立；但注意 [5] 称 Mem0 的图谱能力被锁在 Pro 档（$249/月），免费与标准档只有向量语义检索——这条来自厂商对比页，二手，建议以 Mem0 官方定价页为准（我未核实）。
Zep / Graphiti 时序知识图谱：事物流被拆成实体、关系与时间属性，底层图数据库可以是 Neo4j、FalkorDB 或 Kùzu，自托管需要自己运维图数据库；[5] 还称 Zep Community Edition 已弃用，自托管路径变成"直接用 Graphiti + 自己管 Neo4j"（二手来源，UNVERIFIED）。
Letta（原 MemGPT） 视频的核心比喻成立：Letta 的 MemGPT 引入受操作系统启发的记忆层级，agent 主动管理"哪些留在上下文（core memory）、哪些下沉到外部层（对话记忆、档案记忆、外部文件）"，从而在固定上下文窗口里获得近乎无限的记忆容量[2]。具体三层（[6]，第三方教程，我未打开 Letta 官方文档核对）：
persona 描述 agent 身份与行为准则、human 描述用户、system 放任务规则），每块有字符上限（默认约 2000 字符），agent 可在对话中自行调用工具改写；关于视频提到的 "procedural memory"（程序性记忆，agent 重写自己的系统提示词）：我在本轮打开的来源里没有核到该定义（Letta 相关 GitHub 文档抓取被限流失败）。可核实的相邻事实是：core memory 的 persona 块就是描述 agent 身份与行为准则、且 agent 可自行修改它[6]。因此对这一点标注：UNVERIFIED —— 视频所述"Letta 提出 procedural memory 让 agent 重写系统提示词"未能用官方来源确认，但其描述的现象（agent 改写自身行为准则）在 Letta 架构里有对应机制。
Claude Code 的记忆系统 视频说"markdown 文件加一个 front matter 做索引，没有向量数据库，没有知识图谱"。官方文档核对后：方向对，细节不精确。 实际机制是两套[3]：
~/.claude/CLAUDE.md / 项目级 ./CLAUDE.md / 本地 CLAUDE.local.md，支持 @path/to/import 导入其他文件，以及放在 .claude/rules/ 下的规则文件——这里的 YAML frontmatter 里写 paths: 用来做"路径作用域"（如只对 src/api/**/*.ts 生效）。所以"front matter"确实存在，但它管的是规则的适用范围，不是视频暗示的"记忆索引"。~/.claude/projects/<project>/memory/，其中 MEMORY.md 是索引（每条记忆一行，每个会话都加载，首 200 行或 25KB），每条记忆另存一个文件（如 user_role.md、feedback_testing.md），记忆类型分为 user / feedback / project / reference。索引机制存在，但用的是 markdown 索引文件而非 frontmatter。这句"文件系统就够了"的原始出处：Letta 团队博客，标题是 《Benchmarking AI Agent Memory: Is a Filesystem All You Need?》（2025-08-12）[2]。但它的实际结论比视频转述更谨慎，值得原文一读：
grep / search_files / open / close 等文件工具，用 GPT-4o mini 拿到 74.0%，高于 Mem0 自报的最佳图变体 68.5%；| 视频说法 | 核查结果 | 来源 |
|---|---|---|
| Mem0 "P95 延迟 1.4 秒" | 绝对值未核实。Mem0 论文摘要只给出相对值：p95 延迟比全上下文方案低 91%，token 成本省 90%+。1.44s / 17.12s 这类具体数字我在论文摘要里没看到，故不采用 | [1] |
| "多跳推理测试里 Zep 63.8%，Mem0 49%，差 15 个百分点" | 数字能对上，但场景表述有误：出处把 49.0% / 63.8% 标为 LongMemEval 整体得分（GPT-4o），不是"多跳推理子项"。且该页是竞品对比页，引用一篇 arXiv 论文（我未打开原文），属二手引用 | [5] |
| Letta 团队做过测试，博客标题大意是"文件系统就够了" | 标题实为 Benchmarking AI Agent Memory: Is a Filesystem All You Need?；结论是"agent 能力比检索机制更重要"，限定在 LoCoMo 检索基准上，不是通用结论 | [2] |
| Letta 三层记忆：核心/回忆/档案 | 与架构描述一致（core / recall / archival），且 core 常驻上下文、archival 靠向量检索、recall 是历史消息 | [2][6] |
| Letta "procedural memory" 让 agent 重写系统提示词 | UNVERIFIED（见 2.3/3 节说明） | — |
| Claude Code 用 markdown + front matter 索引，无向量库、无图谱 | 大体成立，细节需修正：CLAUDE.md + @ 导入 + .claude/rules/ 的 paths frontmatter；auto memory 用 MEMORY.md 做索引 + 每条记忆一个文件 |
[3] |
| 用图数据库 Neo4j 或 Kùzu | Kùzu 仓库已于 2025-10-10 被作者归档为只读，官方扩展服务器下线，老用户需升级到 0.11.3（预装 algo/fts/json/vector 四个扩展）或自建扩展服务器 | [4] |
| Zep 每条记忆带时间窗口、过期标记不删除 | 与 Graphiti 边级有效性窗口（valid_from / valid_to / invalid_at）一致（二手来源） |
[5] |
关于生态现状的两条重要补全（视频没讲）：
这个四问框架适合：为单个 LLM 应用做记忆选型的早期决策；给团队做技术评审时的提问清单；判断"要不要引入向量库/图数据库"的取舍讨论。它的最大优点是把"选框架"的问题倒转成"定义数据与访问模式"，这一步确实能省掉大量无谓的框架对比。
它没覆盖的前提（读者需要自己补）：
| 段落（按视频推进顺序） | 建议 |
|---|---|
| 开头"先别选框架"的类比（数据库 vs JSON 文件） | 可看，1 分钟，类比恰当 |
| 四个问题的逐个展开 | 最值得看的部分。尤其"记给谁"里的第三种（agent 自身经验）和"记什么"的四分类，是视频的原创增量 |
| "记多久" | 值得看，但只记住"过期信息要标记失效而非堆积"这个原则即可；Zep 的实现细节看第 3 节更准 |
| "怎么取"三层（精确/向量/多跳） | 看，多跳那个例子讲得很清楚，是全场最直观的一段 |
| 逐个介绍 Mem0 / Zep / Letta / Claude Code | 可快进。是对官方文档的二手概括，且 Letta/Claude Code 两处描述不精确（见第 4 节表格）。想了解直接读官方文档更快 |
| 数字部分（1.4 秒、63.8% vs 49%） | 不建议当结论。前者核不到绝对值，后者场景被说错、且来源是厂商对比页 |
| 结尾"从最轻方案起步、遇瓶颈再升级" | 可看，这是它最实用的建议，且与 Letta 的实验结论方向一致 |
一句话总结：把这条视频当成"选型前的提问清单"来看，7 分钟不亏；当成"框架横评"来看，会拿到几处不准确的二手信息——尤其别把它的数字和 Claude Code 的机制描述直接引用给同事。
抓取失败记录：https://github.com/letta-ai/skills/blob/HEAD/letta/letta-api-client/memory-architecture.md （HTTP 429，未能核验 Letta 对 procedural memory 的官方定义，故该项标注 UNVERIFIED）。
本文标注约定：无标注者为视频中明确陈述（视频事实）；"[n] + 已打开来源"为外部参考；标"推断"为由已核事实推出的个人判断；标 UNVERIFIED 者为未能用权威来源证实、且不应作为结论使用的说法。