Mem0 и Memanto: универсальный слой против готового агента
Если вы пишете приложение, где память - часть бизнес-логики, Mem0 обычно выглядит естественнее всех. Открытую версию можно использовать как библиотеку для Python или Node либо как отдельный сервер, а модель, embedder, векторное хранилище и переранжировщик заменяемы. Новый алгоритм использует извлечение только на добавление и многосигнальный поиск: смысловая близость плюс ключевые слова по BM25 плюс совпадение сущностей. Граф знаний в текущей архитектуре вынесен в платную платформу.
Сильные стороны здесь понятны: удобная для разработчика модель API, Python и TypeScript, естественная память на пользователя, много готовых поставщиков, возможность поднять у себя и предсказуемый переход на управляемую платформу, когда своя инфраструктура надоест. Я бы выбрал Mem0 для ассистента поддержки, персонального ИИ внутри SaaS, компаньона или рекомендательной системы с памятью о пользователе - словом, там, где память программируется как часть бэкенда. И не выбирал бы, если главная задача - помнить ветки Git, вести задачи как граф проектных знаний или держать Markdown-хранилище для Claude Code: под это у других есть более предметные модели.
Memanto стоит на уровень выше по абстракции. У вас сразу есть три операции, тринадцать типов памяти, сессии, запросы во времени, разбор противоречий, загрузка файлов и множество готовых интеграций - Claude Code, Cursor, Codex, а из фреймворков LangGraph с готовыми инструментами в стиле LangChain, CrewAI, Hermes Agents и Langfuse. Для команды, которая не хочет сама выбирать векторную базу и строить вокруг неё жизненный цикл памяти, это удобно.
Но у Memanto есть компромисс, который стоит держать в голове с самого начала. Ядро проекта под MIT, а вот локальный бэкенд поиска - это отдельный проект, Moorcheh Community Edition, и его репозиторий прямо называет лицензию source-available и бесплатной для одноузлового некоммерческого использования; коммерческие и корпоративные сценарии отправляются к отдельной лицензии. Это не делает проект плохим, но перед коммерческим локальным развёртыванием условия надо выяснить отдельно.
Memora, Memoir и EchoVault: три разных ответа для работы с кодом
Memora относится к памяти агента как к структурированной базе проектных знаний, и её сильная связка выглядит так: поглотить факты, связать их графом и историей, затем собрать контекст по теме. Особенно ценно, что задачи и ошибки здесь полноправные записи, связи графа типизированы, документы разбираются на искомые фрагменты, поиск гибридный, а сборка контекста возвращает идентификаторы исходных записей - то есть вывод можно проверить. Я бы рассматривал Memora не как замену пользовательской памяти чат-бота, а как внутреннюю память проекта для агентов, работающих с кодом, исследованиями и эксплуатацией.
Memoir решает проблему, которую остальные почти не трогают: память может быть верной в одной ветке работы и неверной в другой. Смысловые адреса дают записям понятные имена, а версионируемое хранилище добавляет коммиты, ветки, слияния, откат и выяснение происхождения факта - то есть то, к чему инженер уже привык в работе с кодом. Выбирать его стоит, если нужно синхронизировать состояние памяти с экспериментами, развести агента-ревьюера и агента-исполнителя, проверять, кто и когда внёс знание, откатывать плохую память или держать несколько линий развития одного проектного контекста. Для памяти клиентов интернет-магазина это избыточно, а для агента с реальными экспериментами - уникальная возможность.
EchoVault хорош тем, что не пытается заменить весь мир. Три инструмента MCP, хранилище из Markdown и SQLite, полнотекстовый поиск работает сразу, эмбеддинги добавляются через Ollama или OpenAI по желанию. Версия 0.5.0 добавила операционную память: playbooks, известные исправления, ограничения, состояние проекта и незавершённую работу, а также контекст с бюджетом токенов, измерение качества выдачи и проверку здоровья. Лучший сценарий - один разработчик или небольшая команда хочет, чтобы Claude Code, Cursor и Codex помнили проект, но не хочет ни отдельной векторной базы, ни облачного аккаунта, ни постоянно висящего демона.
Что выбрать под конкретный сценарий
Память принадлежит конечным пользователям вашего SaaS. Первый кандидат - Mem0: здесь нужны идентификаторы пользователей, масштабируемый поиск, предсказуемое API, возможность менять поставщиков и со временем переехать на управляемую инфраструктуру.
