最近在玩一批 AI Memory / LLM Memory 工具，主要是 mem0、zep、cognee 等等，也順便看了一些跟 LLM Wiki、RAG、Knowledge Graph、Embedding Search、Coding Agent Memory 有關的實作。

一開始其實也沒有特別想解什麼問題，比較像是想試試看：現在市面上主流的 AI memory library，實際用起來體感到底如何？測完後比較大的 takeaway 是，Memory 大家常常在講不同層級的東西，必須先聚焦真正的需求才來選落地的方式。

我目前會先拆以下問題來切入。

第一個是：LLM 什麼時候處理資料？ 一種是資料寫進去時就先整理，像是摘要、抽重點、建索引、抽 entity。另一種是先保留原文，等查詢時再整理，甚至只是把相關原文找出來，不急著總結。

第二個是：資料怎麼被搜尋？ 一種是 Semantic Search / Embedding / Vector Search，適合找語意相近的內容。一種是 Knowledge Graph，會整理 entity 和 relationship，比較適合看概念、事件、專案之間的關係。

第三個是：工具定位。

給工程師用
給產品用
給個人筆記用

我的結論是：先問你需要的是哪一種 Memory？

如果你需要的是 Claude Code 可以串 hook 的 Memory，那可以看 mem0。
如果你想要的是受 LLM Wiki 概念影響的 Memory，那可以看 agentmemory。
如果你想要自架一套 Memory Knowledge Graph，那可以試試 cognee 或 agentmemory（需要 API KEY）。
如果需要比較完整的 Knowledge Graph / temporal memory 設計，可以研究 Zep。

設計決策

你現在需要的是找回原文？整理知識？建立 Knowledge Graph？讓 Coding Agent 記得 Coding Convention？還是純粹跟風 LLM Wiki？

Developer 我會直接推薦 mem0 串 Claude Code Hook 跟各種跨平台的 agent system。

純粹想跟風 LLM Wiki？我認為不需要，直接多整理幾個筆記庫，每次開新的 Session 問問題就好，不需要特別架設一個有 Knowledge Graph 的 LLM Wiki。如果真的覺得自己知識體系真的很龐大，想要 cross reference，也許也可以試試 claude-obsidian。

但是我會想問…那是想建構一個 LLM model 嗎？把這個工作留給 LLM Provider 會不會輕鬆一點？🤫 不過有自己 insight 的筆記被 KG 化應該還是不一樣啦，是吧！😎

#agent