DeltaMemory：给 AI Agent 装一个"真正的大脑"

2026-02-27 | Product Hunt | 官网 | HN讨论

产品界面：深色主题的仪表盘，左侧是品牌标语 "Memory that scales with your ambition"，右侧是标准的登录/注册入口。整体设计偏企业级，简洁干练。

核心界面：Memories 管理面板，可以看到每条记忆的内容（Content）、类型（Fact/Conversation）、显著性评分（Salience）、得分（Score）以及时间戳等字段。这就是它的核心卖点 —— 把对话压缩成结构化的事实（fact），并带有权重地存储和衰减。

30秒快速判断

这App干嘛的：给 AI Agent 加一层"认知记忆"，让 Agent 在不同会话（session）之间记住用户的偏好、历史对话和关键事实。它不是 RAG，也不是向量数据库，而是把对话压缩成“知识图谱 + 结构化事实”的记忆层。

值不值得关注：值得关注，但先别急着用。赛道是对的 —— 2026年被称为 AI Agent 记忆层的"元年"，连 ICLR 都专门开了 MemAgents 研讨会。但 DeltaMemory 本身太新了（HN 帖子才发 13 小时），没有公开定价，没有社区反馈，其声称的 89% LoCoMo 准确率需要独立验证。如果你正在做 Agent 项目并遇到记忆瓶颈，可以申请 Design Partner 试试；如果只是观望，建议先盯着更成熟的 Mem0。

与我有关三问

与我有关吗？

目标用户是谁：在生产环境运行 AI Agent 的开发团队 —— 做客服机器人的、做销售 AI 的、做医疗 AI 助手的。简单来说，只要你的 Agent 需要“记住用户是谁”，你就是目标用户。

我是吗？ 如果你满足以下任何一条，你就是目标用户：

• 你在做一个需要跨 session 记住用户偏好的 AI 应用
• 你发现每次对话开头都要重新向 AI "介绍自己"
• 你的 Agent 在对话超过 20 条消息后就开始"失忆"
• 你在用 RAG 但发现它只能检索文档，不能真正"记住"对话

什么场景会用到：

• 销售 AI：记住客户说过"Q2 批预算"，到时候自动跟进
• 医疗助手：记住患者的用药史和过敏信息
• 教育 AI：记住学生哪个知识点薄弱，自动调整难度
• 客服 Agent：记住用户之前的工单、偏好和解决方案

对我有用吗？

ROI 判断：如果你现在在用 Mem0 免费版但需要图谱记忆（每月需 249 美元），或者自己搭建记忆系统搭得头疼，DeltaMemory 值得申请试试。但如果你的 Agent 还在 MVP 阶段，建议先用 Mem0 免费的 10K 记忆额度顶着，等 DeltaMemory 公开定价后再做比较。

喜闻乐见吗？

爽点在哪：

• Salience Decay（显著性衰减）：这是最有意思的设计 —— 让 AI 像人一样"渐进遗忘"，不是死记硬背所有东西，而是让不重要的记忆自然衰减。这解决了一个真痛点：大多数记忆系统什么都存，导致上下文越来越臃肿。
• 一个 SDK 调用搞定：不用搭流水线、不用设计 Schema、不用管基础设施。install → init → ingest/recall，三步到位。
• 50ms p50 延迟：如果真能做到，比 Mem0 快 16 倍，对实时对话场景意义重大。

"哇"的瞬间：

"26M tokens become 7K" —— 2600 万 token 的对话历史压缩成 7000 个结构化事实，这个压缩比确实让人眼前一亮。

社区声音（HN 讨论刚开始，Twitter 暂无讨论）：

产品太新，目前没有可引用的真实用户评价。HN 帖子刚发 13 小时，Twitter/X 搜索零结果。这既是风险（没人验证过），也是机会（早期合作伙伴通常能拿到最好的支持）。

给独立开发者

技术栈

• 核心引擎：Rust（闭源），亚毫秒级操作，支持崩溃恢复
• SDK：TypeScript（@deltamemory/ai-sdk v0.5.1，npm 包，开源）
• AI/模型：自动事实提取 + 知识图谱构建（具体模型未公开）
• 基础设施：可选托管云或 VPC 私有化部署
• 集成：Vercel AI SDK、LangChain、CrewAI、n8n

核心功能实现

DeltaMemory 做了三件事：

1. 事实提取：从原始对话中提取结构化事实，去重，构建用户画像。
2. 知识图谱：把事实组织成知识图谱，支持多跳推理（多跳推理准确率 87.5%）。
3. Salience Decay：给每个事实一个"显著性"分数，随时间衰减，让不重要的记忆自然消失。

技术上的核心创新是把"记忆"从"存储所有东西"变成了"提取→压缩→权重→衰减"的认知流程。这更接近人类记忆的工作方式。

开源情况

• 开源吗：半开源 —— SDK 和集成插件开源，核心 Rust 引擎闭源。
• 类似开源项目：Mem0（Apache 2.0，41K stars）、Letta（完整的 Agent 运行时 + 记忆）、Mnemosyne（认知记忆操作系统）。
• 自己做难度：高。Rust 高性能引擎 + 知识图谱 + 事实提取 + 显著性衰减，预计需要 3-4 人月。如果用 Python + Mem0 开源版拼凑，1-2 人月能做出基础版。

商业模式

• 变现方式：SaaS 订阅 + 企业私有部署。
• 定价：无公开定价，目前仅限 Design Partner / 企业团队。
• 用户量：未公开，从 PH 86 票和 HN 刚发帖来看，处于非常早期阶段。

巨头风险

中等偏高。OpenAI 已经在 ChatGPT 里做了 Memory 功能（虽然 LoCoMo 只有 52.9%），Google 正在研发 Nested Learning 让模型自动修改参数实现记忆。但巨头做的是"通用记忆"，DeltaMemory 做的是"Agent 基础设施记忆层"，定位不同。真正的风险来自 Mem0 —— 它已经拥有 2400 万美元融资、41K GitHub stars 和 1400 万+ 下载量。

给产品经理

痛点分析

• 解决什么问题：AI Agent 的"失忆症" —— 每个 session 结束就忘记一切。
• 痛点有多痛：非常痛。Reddit 上这是对 AI 聊天机器人最大的抱怨之一 —— "前 5-10 条消息很棒，到第 20 条就开始失忆"。而对于企业级 Agent（客服、销售、医疗），失忆意味着每次对话都要从头再来。

用户画像

• 主要用户：中大型企业的 AI 工程团队（需要 HIPAA/SOC 2 合规）。
• 次要用户：开发 SaaS 产品的独立开发者或小团队。
• 使用场景：任何需要"记住用户是谁"的 AI 应用。

功能拆解

竞品差异

可借鉴的点

1. Salience Decay 设计：让记忆自然衰减而不是无限堆积，这个理念值得所有做 AI 记忆的团队学习。
2. "一个 SDK 调用"的简洁体验：把复杂的记忆管道封装成 ingest/recall 两个操作。
3. 可观测性优先：每个记忆操作可追溯，这对企业客户非常有吸引力。

给科技博主

创始人故事

• 创始人：未公开，搜索未果。
• 背景：未知。从产品描述推测有深厚的 AI 工程背景 —— "我们构建 DeltaMemory 是因为我们自己也遇到了这个瓶颈"，说明团队是在实战中发现问题并造了轮子。
• 为什么做这个：自己做 Agent 被记忆问题折腾够了。

争议点/讨论角度

• 89% 准确率 vs 人类 88 F1：DeltaMemory 声称其 LoCoMo 准确率超过人类基线，但使用的评估指标可能不同。Mem0 和 Zep 之前就因为评测方法吵过架，DeltaMemory 的数据需要第三方验证。
• "不是 RAG，不是 Vector DB"：这个定位很大胆。到底是"新范式"还是"旧瓶装新酒"？
• Rust 选型：在 AI 基础设施领域用 Rust 而不是 Python，性能确实好，但生态会不会受限？

热度数据

• PH 排名：86 票，中等热度。
• HN 讨论：Show HN 刚发布 13 小时。
• Twitter 讨论：零（产品太新）。
• 搜索趋势：刚起步，还没有搜索量。

内容建议

• 适合写的角度："AI Agent 记忆层大战：从 Mem0 到 DeltaMemory，谁能成为 Agent 的'海马体'？"
• 蹭热点机会：2026 是 "AI 记忆元年"，结合 ICLR 研讨会和 Mem0 的巨额融资，可以把 DeltaMemory 作为该趋势下的高性能挑战者来写。

给早期采用者

定价分析

对比竞品定价：

• Mem0 免费：10K 记忆 + 1K 检索/月（无图谱）
• Mem0 Starter：$19/月，50K 记忆
• Mem0 Pro：$249/月（含图谱记忆）
• MemoClaw：$0.001/操作，按量付费

上手指南

• 上手时间：如果能拿到访问权限，约 30 分钟。
• 学习曲线：低（对于有 AI SDK 经验的开发者）。
• 步骤：
  1. npm i @deltamemory/ai-sdk
  2. 初始化 DeltaMemory 客户端（需要 API 密钥 + 基础 URL）
  3. 用 deltaMemoryTools() 把记忆能力注入你的 AI Agent
  4. 调用 ingest（存记忆）和 recall（取记忆）

坑和吐槽

1. 无公开访问权限：目前只能通过预约演示申请合作伙伴，对个人开发者不友好。
2. 社区几乎为零：没有 Reddit 讨论、没有 Twitter 评价，HN 刚发帖。出了问题可能只能在 Discord 里问。
3. Benchmark 争议：89% 的准确率声称接近甚至超过人类水平，但评估方法不透明。在 AI 记忆领域，这种数据往往伴随着争议。

安全和隐私

• 数据存储：可选云端托管或本地 VPC 部署。
• 隐私政策：加密的记忆图谱所有权，细粒度的许可控制。
• 安全审计：支持 SOC 2 和 HIPAA，每个记忆操作都有完整审计轨迹。
• 这一点做得不错 —— 对企业级用户来说，数据主权和合规是刚需。

替代方案

给投资人

市场分析

• 赛道规模：Agentic AI 记忆系统市场预计从 2025 年的 62.7 亿美元增长至 2030 年的 284.5 亿美元，年复合增长率 35.3%。
• 更大的赛道：Agentic AI 整体市场预计到 2031 年达到 574.2 亿美元。
• 驱动因素：AI Agent 从实验走向生产，记忆是构建"信任、差异化和长期价值"的关键层。

竞争格局

Timing 分析

• 为什么是现在：2026 年 AI 模型智能大幅提升，但记忆能力提升缓慢 —— 记忆已成为最大瓶颈。ICLR 2026 专设研讨会，巨头都在加码。
• 技术成熟度：知识图谱 + 事实提取技术已趋于成熟，Rust 高性能运行时是追求极致性能的合理选择。
• 市场准备度：企业级 AI Agent 正在从 POC 走向生产，记忆层是关键的缺失环节。

团队背景

• 风险点：团队信息不透明，目前是投资尽调中的一个警示信号（Red Flag）。

融资情况

• 已融资：无公开信息。作为参考，竞品 Mem0 已完成 A 轮 2400 万美元融资。

结论

DeltaMemory 瞄准了一个真实且快速增长的赛道，技术故事讲得不错（Rust + 显著性衰减 + 知识图谱），但产品太新，一切都还需要验证。

资源链接

2026-02-27 | Trend-Tracker v7.3 | DeltaMemory 深度分析