*** QuickLaTeX cannot compile formula:
2.6M</b>（2025-10）</span>
      <span>🏔️ Cursor / Cognition / Klarna 在用</span>
      <span>🔍 main @ 4d8a4ebf · 2026-09-02</span>
    </div>
  </div>


<div>

  <div>
    <span>一句话总评</span>
    <b>开源的是"外围"（MCP server、SDK、消费端 App、文档），闭源的是"引擎"（记忆提取模型 + 时序向量图数据库）。</b>工程质量非常高——尤其 MCP server，工程讲究程度罕见——但 README 的 "#1 on every major AI memory benchmark" 是厂商自评，"本地版开源"的说法与事实有出入：本地版只发布预编译二进制，tag 里没有引擎源码。
  </div>

  <div>
    <div>
      <div>FINDING 01</div>
      <h3>引擎不在仓库里</h3>
      "custom learning model + temporal vector-graph engine" 跑在闭源 Cloudflare Worker 上；仓库只有 MCP、SDK、消费端 Web 和文档。
    </div>
    <div>
      <div>FINDING 02</div>
      <h3>本地版 = 闭源二进制</h3>
      supermemory local 从 GitHub Releases 下载 darwin/linux 预编译件，无 Windows 版；所有 server-v0.0.x tag 与 main 完全同构、无引擎源码。
    </div>
    <div>
      <div>FINDING 03</div>
      <h3>#1 全是自评</h3>
      95% Recall@15 出自自家 research 页；Mastra/OMEGA/Hindsight 同期各自自评 ~95% SOTA，中立榜单不存在。MemoryBench 框架倒是开源可复跑。
    </div>
  </div>

  
    <h2><span>1</span>仓库真实布局：开什么源，不开什么源</h2>
    Turbo + Bun monorepo，但 <code>CLAUDE.md</code> 是<strong>过期的</strong>——它描述的 "API Application (Primary Backend)"（Cloudflare Worker、Hyperdrive、<code>IngestContentWorkflow</code>、4 小时 cron）根本不在本仓库，那是闭源后端。仓库实际内容：
    <table>
      <tr><th>路径</th><th>体量</th><th>是什么</th></tr>
      <tr><td><code>apps/docs</code></td><td>71MB</td><td>Mintlify 文档站（引擎架构的唯一公开信源）</td></tr>
      <tr><td><code>apps/web</code></td><td>~73k 行 TS</td><td>消费端 app.supermemory.ai（Next.js 16 + React 19）</td></tr>
      <tr><td><code>apps/mcp</code></td><td>~7.2k 行 TS</td><td>MCP server（Hono + Cloudflare Workers）</td></tr>
      <tr><td><code>packages/tools</code></td><td>508KB</td><td><code>@supermemory/tools</code>，7 工具 × 多框架集成</td></tr>
      <tr><td><code>packages/memory-graph</code></td><td>~9.6k 行</td><td>Canvas 2D 力导向记忆图可视化（npm 包）</td></tr>
      <tr><td>Python 四包 + 扩展 + 演示场</td><td>~7MB</td><td>OpenAI / Agent Framework / Pipecat / Cartesia 集成、Raycast 与浏览器扩展</td></tr>
    </table>
    <strong>引擎（闭源）</strong>自述为 "custom learning model + temporal vector-graph engine"——自研学习模型决定记什么 / 忘什么 / 建什么关系，加上向量 / FTS / 图三合一的时序事实图；云上跑 Cloudflare Workers 栈（Hyperdrive 连 Postgres、Workers AI 嵌入、Workflows 摄取）。
  

  
    <h2><span>2</span>记忆引擎机制（文档 + API 形状反推）</h2>
    每个文档产出<strong>三样东西</strong>：<strong>Chunks</strong>（原始 grounding，供 RAG）、<strong>Memories</strong>（图上的原子事实）、<strong>Profile</strong>（静态 + 动态用户摘要，常驻上下文）。

    <h3>两阶段摄取：先索引，后 "dreaming"</h3>
    <div>
      <div><b>queued</b><span>毫秒级受理</span></div>
      <div><b>extracting</b><span>OCR / 转写 / 抓取</span></div>
      <div><b>chunking</b><span>类型感知切分</span></div>
      <div><b>embedding → indexing</b><span>到此 = done</span></div>
      <div><b>dreaming ✦</b><span>记忆提取 · 分组提炼 · 建图</span></div>
    </div>
    <code>done</code> 只表示 chunk 索引完成；记忆提取是第二阶段 <strong>"dreaming"</strong>——<code>dynamic</code> 模式下相关文档先分组再一起提炼（"记忆来自连贯单元，不是一次一个孤立写入"），<code>done</code> 之后还能继续长记忆。

    <ul>
      <li><strong>图关系三型</strong>：<code>updates</code>（新事实取代旧事实，<code>isLatest</code> 标记，历史留审计）、<code>extends</code>（补充细节，两者都有效）、<code>derives</code>（跨记忆推断出用户没说过的事实，如"Alex 大概率在做 Stripe 核心支付"）。</li>
      <li><strong>记忆三型</strong>：Facts（更新前永续）、Preferences（重复强化）、Episodes（衰减除非显著）。</li>
      <li><strong>遗忘</strong>：时间到期（"明天考试"自动失效）+ 矛盾裁决 + 噪声过滤；显式控制有软删和 <code>forget-matching</code> 语义批量遗忘（带 dryRun）。</li>
      <li><strong>推断记忆人工复核</strong>：derived 事实标 <code>isInference</code>，确认前<strong>检索降权</strong>，复核队列按 <code>parentCount</code>（来源记忆数）排序。</li>
      <li><strong>Profile</strong>：static + dynamic（带日期前缀）+ buckets，文档口径"3-5 次查询 → 1 次调用，200-500ms → 50-100ms"。query 无法命中的偏好（"叫我 Dhravya"）只有 profile 能带回——这是它对纯检索 RAG 的核心卖点。</li>
      <li><strong>检索</strong>：<code>POST /v4/search</code>，<code>searchMode: memories|documents|hybrid</code>；<code>rerank</code>（cross-encoder，+~100ms）、<code>rewriteQuery</code>（+~400ms）、<code>include.relatedMemories</code> 暴露图边；示例 timing 92ms，平台口径 p50 < 300ms。</li>
      <li><strong>规模口径</strong>：单容器 1M 文档 / 10M 记忆；每事实平均 ~10 token，50 条 ≈ 500 token 上下文。</li>
    </ul>
  

  
    <h2><span>3</span>API 面（v3 摄取 + v4 记忆，两代并存）</h2>
    摄取 <code>POST /v3/documents</code>（毫秒级受理返回 <code>queued</code>）、<code>/v3/documents/file</code>（\le50MB）、<code>POST /v4/conversations</code>（回合感知，<code>customId</code> 重复提交按 <code>max(0, 全量-已见)</code> <strong>diff 计费</strong>——重复同步免费，聪明且诚实的设计）。
    记忆 v4：直接写（1-100 条/次）、版本化 PATCH（旧版 <code>isLatest=false</code>）、软删 forget、语义批量 forget-matching。作用域靠 containerTag 硬隔离 + 容器级限流 scoped key（默认 500 req/60s）。连接器（Drive / Gmail / Notion / OneDrive / GitHub / Granola / Web Crawler）是平台专属，本地版没有。
  

  
    <h2><span>4</span>Supermemory local：预编译二进制，"开源"存疑</h2>
    <code>curl -fsSL https://supermemory.ai/install | bash</code> 装的是本仓库 GitHub Releases（<code>server-v0.0.8</code>）上的 <strong>darwin/linux 预编译二进制</strong>（没有 Windows 版），端口 6767，数据全在 <code>./.supermemory/</code>，零遥测。内置本地嵌入 <code>Xenova/bge-base-en-v1.5</code>（768d，ONNX via WASM，可换 OpenAI / Gemini / Ollama，维度不符拒绝启动）；内存 governor 默认 1GB，摄取并发 2，搜索即时、添加走队列。
    <div>
      <span>⚠ 与事实的出入</span>文档说 "it's open source (git.new/memory)"，但 main 和所有 <code>server-v0.0.x</code> tag 里<strong>都没有引擎源码</strong>（tag 树与 main 完全同构，只有外围）。本地版"提取用你自己的模型"（OpenAI 默认 gpt-5.1，Anthropic 钉死 claude-haiku-4-5），云端用"专有长程模型"——<strong>本地版是免费增值引流件，不是开源引擎</strong>。v0.0.5 曾有嵌入计划读写不一致导致日文精确搜索静默空结果的 bug，v0.0.7 修复。
    </div>
  

  
    <h2><span>5</span>MCP server（apps/mcp，工程质量标杆）</h2>
    Streamable HTTP，<strong>每个请求新建 McpServer（stateless）</strong>。鉴权双轨：<code>sm_</code> API key（验证结果 per-isolate 缓存 60s/1000 条）或 OAuth JWT（JWKS 验签）。上游认证后端挂掉时返回 <strong>503 + Retry-After 而非 401</strong>——防止客户端丢弃有效凭据，这种细节很少见。

    <h3>15 个工具分三层（模型只见前 7 个）</h3>
    <table>
      <tr><th>层</th><th>工具</th><th>要点</th></tr>
      <tr><td><b>A</b> 模型可见</td><td><code>search_memory</code></td><td>profile + hybrid 检索合成 markdown，相似度百分比行</td></tr>
      <tr><td><code>listDocuments</code> / <code>getDocument</code></td><td>分页列表（下一页 nudge）/ 跨空间读全文（20 万字符截断）</td></tr>
      <tr><td><code>listMemories</code></td><td>直连 <code>/v4/memories/list</code>，滤掉已遗忘 / 非最新</td></tr>
      <tr><td><code>listSpaces</code> / <code>whoAmI</code></td><td>空间发现 / RBAC 自省（accessType / assignedSpaces / scope）</td></tr>
      <tr><td><code>add_memory</code></td><td>save/forget 二合一；forget 精确匹配 404 后走 0.85 阈值相似删除</td></tr>
      <tr><td>—— 模型看不见的下面还有 8 个 ——</td></tr>
      <tr><td><b>B</b> App 启动器 ×4</td><td><code>select-space</code> / <code>memory-graph</code> / <code>guided-save</code> / <code>upload-file</code></td><td>拉起内嵌单文件 HTML 部件，描述里全是行为钳制（"别为搜个空间就调我""别再画一张重复的图"）</td></tr>
      <tr><td><b>C</b> 仅 App ×4</td><td><code>set-active-tag</code> / <code>save-memory</code> / <code>prepare-file-upload</code> / <code>fetch-graph-data</code></td><td><code>_meta.ui.visibility:["app"]</code> 对模型隐藏，是 App 部件的回程端点</td></tr>
    </table>
    亮点：<strong>两阶段上传</strong>（DO 只存 uploadToken 的 SHA-256，2 分钟 alarm TTL，原子消费，multipart 直通，widget 拿不到真 token）；PostHog 埋点用装饰器包 registerTool 零侵入；server↔widget 契约 discriminated union，加视图是编译错误；<code>context</code> prompt（即 /context）输出 8 静态 + 8 动态事实。
  

  
    <h2><span>6</span>SDK / 集成面</h2>
    <strong>7 工具一次定义、五端复用</strong>（AI SDK / OpenAI / Mastra / VoltAgent / Python）。
    <ul>
      <li><strong><code>withSupermemory</code>（Vercel AI SDK）</strong>：Proxy 拦 <code>doGenerate</code>/<code>doStream</code> → 取最后一条用户消息 → <code>POST /v4/profile</code>（5s 超时，LRU 100 缓存）→ 去重（归一化后 静态 > 动态 > 检索 保序）→ 以 <code><supermemory context="user-memories" readonly></code> XML 块注入 system prompt → 生成后存回 <code>/v4/conversations</code>；取记忆失败默认静默跳过。</li>
      <li><strong>Claude Memory Tool 适配</strong>六命令全实现（view / create / str_replace / insert / delete / rename；文件=文档，customId=路径归一化 <code>memories_x_txt</code>）。</li>
      <li><strong>Python 四包</strong>：openai-sdk 最全（同步异步 monkey-patch + 7 工具）；pipecat 做语音（<code><user_memories></code> 包裹注入 + 重叠 diff 增量存储）；cartesia 拦 <code>UserTurnEnded</code>。</li>
    </ul>
  

  
    <h2><span>7</span>消费端 Web（apps/web，~73k 行 TS）</h2>
    <strong>Nova agent 闭源</strong>：chat 走 <code>api.supermemory.ai/chat</code>（AI SDK v6 流），仓库只有 UI 壳。模型菜单：grok-4.5 / gpt-5.6-terra / claude-sonnet-5 / gemini-3.1-pro-preview。工具面从流部件反推：searchMemories / recallContext / discoverSpaces / updateMemory / forgetMemory / forgetDocument + 动态 web search。
    记忆图旁路实时高亮 Nova 本次引用的文档（"N memories used by Nova"）。<strong>Agent 空间归并</strong>：正则分类学把 Claude Code / Codex / OpenCode / Cursor 写的记忆折叠成每项目一个 "Agents" 空间——编码 agent 的记忆在消费端是一等公民。Next.js 16 经 <code>@opennextjs/cloudflare</code> 上 Workers，绑定仅 ASSETS + 自引用 + R2 增量缓存。
  

  
    <h2><span>8</span>商业模式</h2>
    Free

*** Error message:
Unicode character （ (U+FF08)
leading text: $2.6M</b>（
Unicode character ） (U+FF09)
leading text: $2.6M</b>（2025-10）
Unicode character 🏔 (U+1F3D4)
leading text:       <span>🏔
Unicode character ️ (U+FE0F)
leading text:       <span>🏔️
Unicode character 在 (U+5728)
leading text: ...pan>🏔️ Cursor / Cognition / Klarna 在
Unicode character 用 (U+7528)
leading text: ...>🏔️ Cursor / Cognition / Klarna 在用
Unicode character 🔍 (U+1F50D)
leading text:       <span>🔍
Missing $ inserted.
Unicode character 一 (U+4E00)
leading text:     <span>一
Unicode character 句 (U+53E5)
leading text:     <span>一句
Unicode character 话 (U+8BDD)
leading text:     <span>一句话
Unicode character 总 (U+603B)
leading text:     <span>一句话总

*** QuickLaTeX cannot compile formula:
0.1/次。余额耗尽 402、功能门槛 403。SOC 2 Type II、GDPR、HIPAA BAA（Scale+）；"客户内容永不用于训练——所有套餐一致"。直接提供 from-mem0 / from-zep 迁移指南。
  

  
    <h2><span>9</span>基准声明核实（重要）</h2>
    README 宣称三大基准 #1（LongMemEval / LoCoMo / ConvoMem）、95% Recall@15 @ ~720 tokens（99.4% 上下文压缩）。核实结果：
    <div>
      <span>结论</span>数字<strong>全部出自自家 research 页</strong>，docs 站反而克制不给数；<strong>不存在中立第三方榜单</strong>（LongMemEval 官方学术站不 host 商业厂商榜）。
    </div>
    同期<strong>至少四家竞品同样自评 ~95% SOTA</strong>，互相矛盾，说明该指标已被厂商营销饱和：
    <table>
      <tr><th>厂商</th><th>自评分数</th><th>口径</th></tr>
      <tr><td><b>Supermemory</b></td><td>95% Recall@15</td><td>自家 research 页，+~720 tokens 上下文</td></tr>
      <tr><td>Mastra Observational Memory</td><td>94.87%</td><td>"highest score ever recorded"（gpt-5-mini）</td></tr>
      <tr><td>OMEGA</td><td>95.4%</td><td>自称 50ms 检索</td></tr>
      <tr><td>Hindsight / Vectorize</td><td>94.6%</td><td>称"独立验证"</td></tr>
      <tr><td>Exabase M-1</td><td>~SOTA</td><td>研究模型规模 vs 长期记忆</td></tr>
    </table>
    可信的部分：<strong>MemoryBench 框架本身开源</strong>（MIT，provider 接口统一），任何人可复跑 supermemory / mem0 / zep + filesystem / rag 基线——把自评变成可复核是诚意之举，但默认榜单仍是自家维护。另一自评：SMFS 在 110 题 xAFS 上比 Claude 原生省 3.0× token（24M vs 72M）。
  

  
    <h2><span>10</span>工程质量与吐槽</h2>
    <div>
      <div>
        <span>👍 好的</span>
        <ul>
          <li>MCP 的工程纪律：zod 全边界、回滚 DO 保留一个版本、503/401 错误分类</li>
          <li>diff 计费 + customId 幂等摄取，聪明且诚实</li>
          <li>SSRF 防护做到 CGNAT 段级、IPv6 字面量、2MB 有界读</li>
          <li>web 端对 AI SDK v6 工具部件缺陷的 load-bearing 注释</li>
        </ul>
      </div>
      <div>
        <span>👎 存疑 / 差评</span>
        <ul>
          <li>"Open source" 营销与事实不符：引擎闭源、local binary-only、tag 无源码、#1 全自评</li>
          <li>CLAUDE.md 描述不存在的后端，误导 agent 开发者</li>
          <li>docs 有一批明显乱码段落（疑似批量编辑事故）</li>
          <li>v3/v4 双 API 并存；SDK 里留着"pinned SDK 没有 forget 所以 raw DELETE"的补丁痕迹</li>
          <li>self-host 与云端"专有模型"不是同一个东西，文档用一整页 local-vs-enterprise 圆落差</li>
        </ul>
      </div>
    </div>
  

  
    <h2><span>11</span>借鉴价值</h2>
    <ol>
      <li><strong>MCP 三层工具分级</strong>（模型可见 / App 启动器 / App hidden）是"工具太多污染注意力"的现成范式。</li>
      <li><strong>Profile 作为检索旁路</strong>：query 命不中的事实必须走 always-on 摘要，任何记忆系统都该有这条非对称通道。</li>
      <li><strong>推断记忆默认降权 + 人工复核</strong>（parentCount 排序）是防 LLM 记忆幻觉污染的务实折中。</li>
      <li><strong>diff 计费 + customId 幂等摄取</strong>：把"重复同步免费"做成计费原语，连接器类产品通用。</li>
      <li>withSupermemory 的"取记忆失败静默降级、只增不阻断"是给 LLM 加旁路依赖的安全姿势。</li>
      <li>时序图（updates / extends / derives + isLatest + forgetAfter）比扁平 fact 列表表达力强，但复杂度转移给了搜索侧 temporal filtering。</li>
    </ol>
  

  
    <h2><span>§</span>信源</h2>
    <ol>
      <li>代码：C:/GitHub/supermemory（apps/mcp、apps/web、apps/docs、packages/tools 等，行级引用见配套 md 笔记 <code>supermemory_深度研究_2026-09-07.md</code>）</li>
      <li><a>TechCrunch：19 岁创始人获 Google 高管背书（

*** Error message:
Unicode character 次 (U+6B21)
leading text: $0.1/次
Unicode character 。 (U+3002)
leading text: $0.1/次。
Unicode character 余 (U+4F59)
leading text: $0.1/次。余
Unicode character 额 (U+989D)
leading text: $0.1/次。余额
Unicode character 耗 (U+8017)
leading text: $0.1/次。余额耗
Unicode character 尽 (U+5C3D)
leading text: $0.1/次。余额耗尽
Unicode character 、 (U+3001)
leading text: $0.1/次。余额耗尽 402、
Unicode character 功 (U+529F)
leading text: $0.1/次。余额耗尽 402、功
Unicode character 能 (U+80FD)
leading text: $0.1/次。余额耗尽 402、功能
Unicode character 门 (U+95E8)
leading text: $0.1/次。余额耗尽 402、功能门
Unicode character 槛 (U+69DB)
leading text: $0.1/次。余额耗尽 402、功能门槛