Supermemory：给 AI 应用加上长期记忆
介绍 AI 应用长期记忆的存储、检索与注入，说明 Supermemory 的集成、租户隔离、删除和记忆污染风险。
直接回答：Supermemory 是面向 AI 应用的长期记忆服务：作为 AI 的"外置大脑"，把用户偏好、历史交互、领域资料持久存储，跨会话召回并注入上下文，解决 LLM"每次都是初次见面"的数字失忆问题。
为什么 LLM 会"忘"
模型推理与应用会话状态要区分。应用可以维护历史、摘要、服务端会话与缓存，不是每轮必定从零或重发全部原文。长期记忆的作用是选择性保存与召回信息，而不是让模型权重自动记住用户。
Supermemory 是什么
一个专为 AI 应用设计的记忆层 API：
- 存：对话片段、文档、用户事实，自动索引
- 取：按语义相关性召回与当前对话相关的记忆
- 理：Memory Graph 可视化浏览记忆关联
三条集成路径
| 路径 | 适合 |
|---|---|
| REST API | 任何语言，最直接 |
| 官方 SDK | JS/Python 等主流栈，类型友好 |
| Memory Router | 夹在应用与 LLM API 之间的代理层，自动注入相关记忆，改动最小 |
上手四步
- 创建服务端凭证，保存在环境变量或密钥管理器，不放浏览器。
- 为经授权的数据设置用户/租户隔离标识，按官方 Add document 接口写入。
- 等待索引完成，用同一隔离范围检索，核对来源、时间与删除行为。
- 把相关结果作为不可信资料注入模型，而非高优先级指令。
写入和检索都需超时、错误处理与访问控制。不要把未隔离的通用示例直接用于多用户服务；Router 兼容的模型、字段与端点需按当前文档确认。
效果
可通过重复提问测试偏好是否被正确召回，但不能保证所有会话永远记得。索引延迟、范围过滤、检索相关性和上下文预算都会影响结果；本文未执行测试。
实践的坑
- 记忆要有遗忘机制：过期偏好、错误信息需要清理策略，否则越记越脏
- 隐私边界：敏感个人信息入记忆库前要评估合规，提供用户删除通道
- 注入要克制：召回太多会挤占上下文、稀释注意力，top-k 宁小勿大
常见问题（FAQ）
Q：和把聊天记录存数据库再全文检索有什么区别？
A：数据库也可以支持向量与混合检索；记忆服务做的是语义召回 + 自动提炼（从对话中抽取"事实"而非存原文）+ 注入编排。自己造这套轮子的工程量远超预期。
Q：和 RAG 是一回事吗？
A：机制相似（检索注入），对象不同。RAG 可以处理私有、动态数据；记忆服务通常额外关注用户事实、更新、冲突与遗忘，其边界与 RAG 有重叠。成熟的 AI 应用两者都需要。
Q：记忆会被注入错误干扰吗？
A：会——错误记忆一旦存入就会反复被召回。对策：写入时标注来源与时间、支持按用户维度删除、对高风险场景（医疗/金融建议）设置记忆只读或人工审核。
参考资料
资料核对日期：2026 年 9 月 29 日。本文基于公开文档整理，代码片段和评估方案未作独立运行或性能验证；厂商测试结果已注明来源。
