不用向量库也能给 AI Agent 做记忆：开源 Memanto，写进去就能搜

给 AI Agent 做长期记忆，主流做法绕不开向量库：把文本切块、过一遍嵌入模型、存进向量数据库、建索引，检索时算近似相似度，再重排。memanto 想绕开这一整套。

它给自己的定位是「AI Agent 喜欢的记忆」，核心主张是一句话：

可查询，而不是被注入（Queryable, not injectable）。

意思是，大多数记忆工具是「被动基础设施」——把一段静态记忆塞进上下文，有用，但本质是被动的。memanto 想做的是一个「主动的记忆智能体」：你按相关性去查它，而不是把一坨记忆硬塞进提示词。MIT 协议，主要用 Python 写成，目前 1.3k 星、版本 v0.2.4。

三个动作：remember / recall / answer

memanto 把记忆收敛成三个原语，比常见的「写入 + 检索」多了一个answer：

# 记住一条，带类型memanto remember "用户偏好简洁的回答" --type preference# 按相关性召回，可按类型过滤memanto recall "用户的沟通风格" --type preference# 直接基于记忆回答(对记忆做 RAG)memanto answer "这个用户喜欢什么风格？"

answer是它和别家不太一样的地方：不只把记忆捞出来给你，还能直接基于记忆生成一个有依据的回答。

记忆是有类型的，内置 13 类：instruction、fact、decision、goal、commitment、preference、relationship、context、event、learning、observation、artifact、error。它还支持按时间查——比如「截至某天」「某天之后变化过的」：

memanto recall "deadline" --as-of "2024-01-15" --changed-since "2024-01-01"

这对应它想补的几个「记忆缺口」：静态注入、没有时间衰减、缺来源出处、记忆扁平没结构、不做冲突检测、有索引延迟。

核心差异：不用向量库，写进去就能搜

memanto 最不一样的地方在底层：它不走"向量数据库"那一套，而是建在一个叫Moorcheh的「信息论语义引擎」上。

传统向量检索路线 vs memanto 的信息论引擎

先看传统向量检索是怎么干的：文本过一遍嵌入模型变成向量 → 存进向量库、建一套近似索引（HNSW 这类）→ 查询时算余弦相似度、找最近邻 → 再重排。中间得等建索引，返回的还是"近似"结果。

Moorcheh 把后半段整个换掉了。它仍然会用到 embedding，但不靠"在向量空间里量几何距离"，而是用信息论的方式去压缩和打分，核心是三步：

• •MIB（最大信息量二值化）：把高维浮点向量压成紧凑的二进制——按"信息量、熵"来压，而不是按几何坐标压。
• •EDM（信息论距离）：不算余弦相似度，而是看一条记忆"能多大程度降低当前问题的不确定性"来评分。比的不再是"离得近不近"，而是"对回答这个问题有多大信息增益"。
• •ITS（信息论分数）：给出一个 0 到 1、一致可比、还能解释的相关性分。

这么一换，带来两个直接结果：写入即可搜——没有单独的建索引步骤，存进去当下就能被检索到；以及确定性的精确召回——不是向量库那种近似最近邻，同样的输入给同样的结果。官方称延迟压在 90 毫秒以内。

官方把这件事概括成一句：

没有向量数据库，没有单独的索引管线——写入即可搜索。

它的架构

memanto 自己更像是夹在你的 Agent 和 Moorcheh 引擎之间的一层。官方架构图分三块：

memanto 的整体架构：Agent 环境 → memanto 网关与共享服务 → Moorcheh 引擎

（图源：项目仓库）

• •左边·你的 Agent 环境：IDE 集成、各种 Agent CLI、自定义 Agent、本地 Web 面板——都是发起方。
• •中间·memanto 本体：一个网关（CLI 引擎 + FastAPI 服务）加一组共享服务——remember / recall / answer、冲突解决、每日摘要、会话与鉴权、记忆同步、工具连接。
• •右边·Moorcheh 引擎：真正干检索的地方，提供零索引的语义数据库、为 Agent 优化的 RAG、以及对 LLM 的原生访问。

所以 memanto 干的是「记忆管理 + 编排」，底层检索全部交给 Moorcheh。

它的成绩

memanto 公布的 benchmark：LongMemEval 89.8 分、LoCoMo 87.1 分，并称在这些标准评测上超过了 Mem0、Zep、Letta。

这里要提醒一句：这是 memanto 自己公布的对比，而且各家评测的口径、版本、测试条件并不统一——跨项目直接比数字并不严谨。比如 Mem0 在自家评测里报的 LongMemEval 是 94.8，和这里的口径就不是一回事。看个方向即可，别当成定论。

怎么用

一条命令装好，然后选本地还是云：

pip install memantomemanto # 选 On-Prem(Docker，全本地)或 Cloud(免费 API key)

• •On-Prem：要 Docker，所有数据留在本地，不需要账号。
• •Cloud：去 console.moorcheh.ai 拿免费 key，每月送 10 万次操作额度。

接 Agent 也是一条命令，官方列了 14 个以上：Claude Code、Cursor、Codex、Windsurf、Cline、Continue、Goose、GitHub Copilot、Gemini CLI 等：

memanto connect claude-code

另外它有 TypeScript SDK，也能memanto serve起一个 REST API。

几条注记

• •强绑定 Moorcheh。memanto 的检索能力全部来自 Moorcheh 这个信息论引擎——虽然有免费的本地 Docker 版，但这是它自研的核心，不是某个开放标准；选它等于接受这一层。
• •核心引擎闭源，可验证的细节有限。MIB / EDM / ITS 的名字和思路官方给了（见论文 arXiv 2604.22085），但 Moorcheh 是自研闭源，目前第三方复现和独立评测都还少，到底多好得自己上手验。
• •benchmark 是自报的。上面那组分数来自 memanto 自己，跨项目比较要谨慎。
• •还很早。v0.2、1.3k 星，迭代快但成熟度有限，尝鲜可以，上生产要做好跟版准备。

它在记忆赛道里站哪

把最近这几个 Agent 记忆方案放一起看，差异其实就两个问题。

一是记忆存在哪、给谁看。一类存在引擎里，是黑盒，你看不懂、只能查（Mem0、memanto）；一类存成文件，是白盒，你能打开看、能手改（ReMe、TencentDB Agent Memory）。

二是检索靠什么。Mem0 靠向量加 embedding，ReMe 靠双链加混合检索，TencentDB 靠文件加数据库分层下钻，memanto 则换成了不用向量的信息论引擎。

放成一张表：

memanto 和 Mem0 其实是一类——都是把记忆塞进一个引擎里、按需查询，而不是落成你能翻看的文件。它在这一类里的特别之处，是把「向量」这个几乎算行业标配的东西整个换掉了。

写在最后

memanto 给 Agent 记忆提了个不一样的思路——不堆历史、不靠向量，换一个号称写入即可搜、结果精确的信息论引擎。思路新，代价是把检索这层整个押在了一个自研引擎上；值不值，要看 Moorcheh 在真实场景里扛不扛得住。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】