Supermemory

模型可以不断更换，但一个人的长期记忆、项目状态和上下文资产，不应该被锁在某个模型中。
https://supermemory.ai/

Supermemory是什么

Supermemory不是一颗新的大模型，而是一个面向AI的长期记忆平台。

用户可以将对话、文件、网页、邮件和会议记录导入其中。Supermemory对这些内容进行解析，提取重要事实、偏好、关系和项目状态，并在需要时提供给大模型。

它的基本流程是：

导入资料
  ↓
提取事实、偏好与项目状态
  ↓
回答前检索相关记忆
  ↓
大模型生成回答
  ↓
沉淀新的事实和决定

例如，用户曾经明确提出：“分析法规时不要超出原文引申。”以后再修改监管材料时，系统就可以主动找回这一偏好，不需要用户重复说明。

为了避免不同内容相互干扰，Supermemory还可以划分不同的记忆空间，分别保存工作、生活以及不同项目的资料。

它如何接入不同AI

Supermemory可以通过MCP、插件或API接入Claude、Cursor、自建Agent等工具。

大模型负责理解、推理和生成内容，Supermemory负责保存和检索长期上下文。因此，即使更换模型，只要仍然接入同一个记忆库，过去积累的信息仍可继续使用。

不过，这并不意味着所有AI应用都能自动共享记忆。只有开放了相应接口，或者主动集成Supermemory的工具，才能访问这份记忆。

SMFS：把记忆变成文件系统

SMFS是Supermemory面向Agent推出的文件系统方案。

传统Agent面对大量文件时，通常需要反复列目录、猜文件名、搜索关键词和打开文件，既低效，也会消耗大量Token。

SMFS将这一过程简化为：

语义搜索
  ↓
找到相关文件和片段
  ↓
打开原文件核查

Agent仍然可以使用熟悉的ls、cat和grep等命令，但背后获得了语义检索能力。

例如，搜索“哪些国家要求卫星流量在境内落地”，即使原文使用的是“本地PoP”“境内NOC”或“流量本地汇聚”等不同表述，也可能被检索出来。

搜索结果同时保留原始文件路径，Agent可以继续查看上下文、核对来源并编辑文件，而不是只得到一个脱离原文的文本片段。

SMFS的核心价值

SMFS的价值并不在于压缩文件，而在于减少Agent寻找信息时的无效操作。

它主要提供四项能力：

• 通过语义搜索快速定位相关文件；
• 用文件路径关联原文、检索结果和云端记忆；
• 将PDF、图片和音视频转化为Agent可读的文本；
• 通过profile.md向Agent提供用户画像和近期项目状态。

Supermemory公布的测试显示，SMFS可以明显减少Agent处理大量文件时的Token消耗。不过，这些结果主要来自厂商自己的测试，在复杂多跳推理中仍可能出现检索不完整的问题。

Supermemory与RAG、MCP的关系

几项技术解决的问题并不相同：

技术	主要作用
RAG	从大量资料中检索相关内容
Supermemory	管理长期记忆和持续变化的上下文
MCP	连接大模型与外部记忆服务
SMFS	将记忆服务包装成Agent熟悉的文件系统

简单来说：

RAG负责“找资料”，Supermemory负责“保持记忆”，MCP负责“连接工具”，SMFS负责“让Agent像操作文件一样使用记忆”。

它还有哪些不足

长期记忆并不是记得越多越好。

Supermemory仍然需要解决几个关键问题：

• 如何避免把错误推测写入长期记忆；
• 如何识别已经过期或被更新的信息；
• 如何隔离工作、生活和敏感项目；
• 如何处理多Agent同时修改文件的冲突；
• 如何让用户方便地查看、修改和删除记忆。

语义检索也只能找到“相似内容”，不一定能完整找出复杂推理所需的全部证据。因此，重要结论仍然需要回到原始文件进行核验。

结语

Supermemory最值得关注的，不只是增加了一个记忆功能，而是提出了一种新的AI使用方式：

用户的长期记忆不必依附于某一颗大模型，而可以成为跨模型、跨工具复用的独立数字资产。

在这套体系中，大模型负责思考，Supermemory负责保持用户和项目的连续状态，SMFS则让Agent能够高效地调用这些记忆。

未来AI能力的差异，可能不仅取决于模型有多聪明，也取决于它能否在用户授权和控制下，持续、准确地理解同一个人。