Memanto
为编码智能体持续整理、检索并交接跨会话记忆的记忆智能体。
按维度查看评分与理由
证据显示：SECURITY.md 描述了认证、授权、速率限制、输入验证和安全默认值，但未提供代码实现细节。依赖项包含 pyjwt 和 httpx，但未提供依赖安全审计或漏洞扫描证据。外部效果：CLI 可启动本地服务器、连接外部服务，但未明确权限边界。回滚：有 memanto forget 和版本控制，但未提供回滚机制。来源归属：作者信息在 pyproject.toml 中，但发布者未验证。扣分：缺少代码级证据，权限最小化未明确，用户确认机制未明确，数据流透明性不足。
证据显示：README 和 CLI 参考一致，但存在一些不一致，如 README 声称支持 20+ 代理，但 CLI 参考仅列出 12 个。依赖项在 pyproject.toml 中列出，但未提供可用性保证。失败消息：SECURITY.md 和 README 提供了一些错误处理指导，但未提供具体失败消息示例。扣分：依赖可用性未验证，失败消息不具体。
证据显示：README 描述了多种使用场景（本地、云、VPC），并提供了集成列表。能力边界：CLI 参考列出了命令，但未明确限制。触发精度：命令和选项描述清晰。环境适配：支持 macOS、Linux、Windows，并提供了 Docker 和云选项。扣分：能力边界未明确，触发精度可能因文档不完整而受影响。
证据显示：README 提供了安装说明、CLI 参考、示例和文档链接。许可证为 MIT，但版权年份为 2026，可能不准确。版本控制：pyproject.toml 使用 hatch-vcs，但未提供变更日志。维护责任：作者信息在 pyproject.toml 中，但未明确维护计划。扣分：缺少变更日志，维护责任不明确。
证据显示：README 声称提供高检索准确率（89.8% LongMemEval），但未提供可复现的基准测试细节。边际价值：提供了多种功能，如记忆管理、迁移、集成。成本效益：免费云层和本地选项，但未提供成本分析。扣分：基准测试未验证，成本效益未量化。
证据显示：README 声称有基准测试和论文，但未提供可验证的复现步骤。跨来源验证：提供了 Hugging Face 和 arXiv 链接，但未提供独立验证。事实与推断分离：README 区分了事实和推断，但未明确标注。扣分：声明缺乏可追溯性，跨来源验证不足。
- 发布者身份未验证，需谨慎对待。
- 基准测试声明（89.8% LongMemEval）缺乏可复现细节。
- 依赖安全未提供审计证据。
- 版权年份为2026，可能不准确。
这个 Agent 能做什么，适合哪些场景？
Memanto 是面向其他智能体的记忆管理工具，提供 remember、recall 和 answer 三项核心操作。它以 Python CLI 为主要入口，可管理智能体和会话、写入及检索记忆、检测冲突，并可启动本地 REST API 与 Web UI。记忆可按 instruction、fact、decision、goal、preference 等 13 个内置类型归类，并支持时间查询、导出、同步和迁移。后端可选择本机 Docker 容器中的 Moorcheh 与 Ollama，或使用 Moorcheh 云服务；README 也提到可部署到自有 VPC。它可通过 memanto connect 接入 Claude Code、Codex、Cursor 等多种编码工具，并提供 TypeScript/Node.js SDK。
用户通过 memanto remember 写入单条记忆、JSON 批量数据，或用 --from-conversation 从聊天记录提取事实；也可用 memanto upload 将 PDF、DOCX、XLSX、JSON、TXT、CSV 或 Markdown 上传到某个智能体的记忆命名空间。memanto recall 按查询、类型和时间条件（如 --as-of、--changed-since）返回相关记忆，memanto answer 基于检索到的记忆生成 RAG 回答。memanto agent、memanto session 和 memanto status 管理智能体、会话及运行状态；memanto conflicts、memanto daily-summary 处理冲突和日常摘要。memanto memory export 与 memanto memory sync 可生成结构化 Markdown 或 OKF 包，memanto migrate 可导入 Mem0、Letta、Supermemory 或 OKF 中的记忆。需要程序化调用时，可用 memanto serve 启动本地会话式 REST API，TypeScript 包 @moorcheh-ai/memanto 则会通过 uvx 启动本地服务器并提供 Memanto 客户端。
- 使用 Claude Code 或 Codex 的开发者，希望在上下文重置后仍让编码助手获得项目决策、偏好和既有任务背景。
- 维护多个开发智能体的团队，需要用 memanto agent 和会话机制分别保存、激活和交接各智能体的记忆。
- 需要将聊天记录、项目 MEMORY.md 或文档内容变为可搜索记忆的工程团队。
- 需要追溯某一时间点的决策，或发现互相矛盾记忆的技术负责人。
- 准备从 Mem0、Letta 或 Supermemory 迁移已有记忆，并希望导出为 Markdown/OKF 以便检查和转移的用户。
- 希望在本机 Docker 环境或自有 VPC 中运行记忆后端，而不把记忆仅限定在单一云端工作流的组织。
这个 Agent 有哪些优点和局限？
- 将记忆操作明确为 remember、recall、answer，并提供命令行、REST API 和 TypeScript/Node.js SDK 三种使用入口。
- 支持 13 种内置记忆类型、时间条件检索、冲突检测和显式版本相关能力，适合需要管理长期项目上下文的场景。
- 支持本地 Docker/Ollama、云端服务和自有 VPC 选择，并能导出 Markdown 或 OKF、迁移多种现有记忆来源。
- README 声称写入后即可检索，无需另行配置向量数据库、嵌入流水线或重排序器。
- 完整本地模式明确依赖 Docker，并由引导流程设置 Ollama；不具备这些运行条件时需选择云端后端。
- 云端模式需要 Moorcheh API key，检索引擎也以 Moorcheh 为核心，因此部署与服务选择会涉及该提供方。
- 虽然 README 列出 20 多种集成，但此处只有命令入口和部分名称，未给出每个集成的具体配置、行为或兼容性细节。
- README 报告了 LongMemEval 和 LoCoMo 成绩，但未在所给材料中提供可复现实验配置或独立验证细节。
如何安装或部署这个 Agent？
本地模式：运行 pip install memanto，再运行 memanto，选择 “On-Prem”；该流程会引导 Docker 与 Ollama 设置，README 明确要求 Docker，且无需账户或 API key。云端模式：运行 pip install memanto 和 memanto，选择 “Cloud”，然后粘贴免费的 Moorcheh API key；可从 https://console.moorcheh.ai/api-keys 获取。可使用 memanto config backend 在本地与云端后端间切换。
如何使用这个 Agent？
完成配置后，可先写入并检索：memanto remember "User prefers concise answers" --type preference，然后运行 memanto recall "user communication style" --type preference。接入编码工具可运行 memanto connect <integration-tool-id>，例如 memanto connect claude-code。若需本地 API 或界面，运行 memanto serve，再按需运行 memanto ui；服务运行时 API 文档位于 http://localhost:8000/docs。
这个 Agent 与同类方案有什么区别？
README 将其定位为不同于被动记忆基础设施的主动记忆智能体，并声称在 LongMemEval 与 LoCoMo 上优于 Mem0、Zep 和 Letta。迁移命令还支持从 Mem0、Letta、Supermemory 或 OKF 导入记忆；所给材料未提供这些产品之间逐项功能对比。