AI 智能体（Agent）能不能真正”记住你”，是 2026 年最热门的技术命题之一，过去，给 Agent 加记忆的主流方案是向量数据库：把对话切成片段、转成向量、存进数据库，用相似度检索来找回。
但向量方案有它的麻烦——精度有限、维护成本高、对长程记忆支持不好。
最近一个开源项目 memoket-kite 换了个思路：完全不用向量库，照样在记忆基准上做到第一梯队。
它是什么：免向量库的长期记忆引擎
memoket-kite 是一个开源（GitHub 上 memoket/memoket-kite）的 AI 智能体长期记忆引擎，8 月 12 日上线。
目前 85 个星标。
vector-free 这个卖点该怎么理解？不用向量库，改用更轻、更可解释的结构化方式组织记忆。
项目最突出的卖点是”vector-free”——不依赖向量数据库，它主张用更轻量、更可解释的结构化方式组织记忆，在 LoCoMo 和 LongMemEval 这两个国际公认的长程记忆基准上。
取得了目前最好的成绩（SOTA）。
LoCoMo 测试的是”很长的对话里 AI 能不能记住细节”，LongMemEval 测试的是”跨多轮对话的长期记忆准确性”，两个基准都登顶。
说明这套方案的记忆能力不是嘴上说说。
为什么”免向量”是个差异化卖点
向量库被吐槽的点在哪？一是检索精度，相似度匹配经常把不相干的召回；二是解释困难，出了问题说不清为什么这么判。
向量数据库在过去两年几乎成了 Agent 记忆的”默认答案”，但它有几个被吐槽的点：一是检索精度，相似度匹配经常把不相关的内容捞回来，二是资源消耗，向量索引要吃内存和存储；三是调试困难，向量空间里的”相近”很难直观理解。
memoket-kite 用结构化的记忆管理替代向量检索，换来的是更可控、更可解释的记忆行为——这对开发者来说。
意味着更容易排查”AI 为什么记住/忘记了这件事”。
当然，这并不意味着向量方案被淘汰。
那什么场景还该用向量库？海量非结构化内容的检索它依然高效，长期稳定的关键信息用结构化方案更可控。
不同方案适合不同场景：海量非结构化内容的检索，向量库依然高效；而”长期、稳定、关键信息”的记忆，结构化方案可能更合适，memoket-kite 的意义在于证明了”还有另一条路”，而且这条路在基准上跑得更远。
对开发者和 AI 爱好者的价值
对做 Agent 应用、AI 客服、个人助手的开发者来说，这是一个可以直接上手的参考实现：免向量库意味着部署更轻、成本更低。
特别适合中小团队和本地部署场景。
对 AI 学习者来说，它是一份很好的”Agent 记忆系统”学习材料——看一个 SOTA 项目如何设计记忆的写入、组织与读取，比读十篇综述更有收获。
从设计思路上看，memoket-kite 把记忆拆成了几个关键环节：写入（什么信息值得记）、组织（信息如何结构化存放），读取（如何准确找到需要的信息）、遗忘（旧信息如何更新和淘汰）。
和向量方案”一切靠相似度检索”不同，它在写入时就为信息建立了清晰的索引结构，读取时直接按结构定位。
因此对”精确回忆”类任务（比如记住用户的名字、偏好、历史决策）表现更稳定。
LoCoMo 和 LongMemEval 这两个基准恰恰都强调”精确回忆”和”长程一致性”，这正是结构化方案的优势区间，适用场景上，它更适合这几类需求：AI 客服/助理需要长期记住用户偏好和历史的场景；个人知识助手需要跨会话保持上下文一致性的场景。
以及隐私敏感、不希望数据出本地的部署场景——免向量库意味着少一个组件、少一份运维负担，对中小团队尤其友好，需要理性看待的是：项目还很新（8 月 12 日才上线），星标数不高，社区生态和工程成熟度还需要时间验证。
基准成绩是实验室环境的测试结果，真实业务场景的效果有待实践检验。
但方向本身，值得持续关注。
你在做 Agent 应用时，遇到过”AI 记不住事”的困扰吗？欢迎在评论区聊聊你的记忆方案。
关注「AI 智习室」，每天一条看得懂的 AI 情报。
想一次看清这一类还有哪些选择，可以看AI 开发工具这个合集页列了主流工具和各自适合的场景。
