📄 文档管理系统

← 返回列表

我的记忆存在哪了？OpenCode 记忆插件存储原理与清理避坑指南

article #OpenCode #记忆插件 #opencode-mem #true-mem #Supermemory #存储原理 📅 创建：2026-05-17 19:31:21 🔄 更新：2026-05-17 11:32:32
👁️ 预览 & 复制到公众号 ✏️ 编辑

我的记忆存在哪了？OpenCode 记忆插件存储原理与清理避坑指南

作者：小创

「装了记忆插件，但不知道数据存在哪」——这是很多开发者的真实状态。

有人担心 C 盘被撑爆，有人想写清理脚本但怕误删，还有人根本不知道插件把对话存在了哪里。今天小创把 5 款主流 OpenCode 记忆插件全部拆一遍：存了什么、存在哪了、怎么清理、哪个适合你。

一、先搞清楚：记忆插件「记」了什么？

在聊存储位置之前，先弄清楚一个根本问题：这些插件到底在记什么？

不是简单的「对话日志」，而是你在开发过程中的结构化经验：

这些信息被提取、压缩、索引后，在新会话开始时注入到 Agent 的上下文里。Agent 看到这些记忆，以为你「从未离开过」。

二、5 款插件存储位置全景图

小创整理了一张总览表，先建立整体认知：

插件 GitHub 星标 数据存储位置 存储类型
TencentDB Agent Memory 2,385 ~/.openclaw/memory-tdai/（OpenClaw） SQLite + 向量 + 文件
opencode-supermemory 1,207 Supermemory 云端 + 本地缓存 云端优先
opencode-mem 706 ~/.opencode-mem/ SQLite + sqlite-vec
open-mem 17+（clopca） .open-mem/（项目目录） SQLite + FTS5
true-mem 177 ~/.true-mem/ 或 ~/.config/opencode/true-mem/ SQLite + 模型缓存

三、逐个拆解：每款插件存了什么、存在哪

1. opencode-mem（706 Star）

一句话定位：本地向量数据库方案，功能最全面。

存储位置：

~/.opencode-mem/data/
  ├── memories.db          # SQLite 主库
  ├── embeddings.db        # 向量索引（USearch）
  └── user-profile.json    # 用户画像

Web UI：http://127.0.0.1:4747，可以可视化浏览记忆。

存储内容：
- 项目记忆（持久化，按项目隔离）
- 用户画像（自动学习你的偏好）
- 统一记忆时间线（注入 system prompt 的索引）
- 12+ 本地 embedding 模型（Xenova/nomic-embed-text-v1 等）

清理风险：中等。记忆数据在 ~/.opencode-mem/，SQLite 数据库会随使用时间增长。Web UI 可以手动删除单条记忆。

2. open-mem（17 Star，但更值得关注）

一句话定位：纯本地离线方案，数据永远不离开你的电脑。

存储位置：

.open-mem/                    # 在项目根目录（可选 per-project）
~/.open-mem/                 # 全局记忆（通过配置）

.open-mem/
  ├── memory.db              # SQLite（含 FTS5 全文检索）
  ├── knowledge-graph.json   # 知识图谱
  ├── observations/          # AI 压缩后的结构化观察
  └── sessions/              # 会话历史

存储内容：
- 工具输出压缩后的结构化观察（decision、bugfix、feature、refactor、discovery、change）
- 知识图谱（实体 + 关系，自动提取）
- 修订历史（每次更新生成新修订，旧的不删除）
- AGENTS.md 自动生成（会话结束时）

关键特性：隐私优先，所有数据本地存储，自动 redact API key 和密码。

清理风险：低。存储在项目目录下的 .open-mem/，你可以直接 rm -rf 删掉（但会失去该项目的全部记忆）。

3. true-mem（177 Star）

一句话定位：基于认知心理学的记忆管理，模拟人类遗忘曲线。

存储位置：

~/.true-mem/                          # Legacy 模式（默认）
~/.config/opencode/true-mem/          # OpenCode 模式（可选切换）

~/.true-mem/
  ├── memory.db                       # SQLite 主库
  ├── config.jsonc                    # 配置文件
  └── models/                         # 缓存模型（约 23MB）

支持通过 storageLocation 配置切换存储位置，并且迁移是自动的（检测到新位置为空才会复制）。

存储内容：
- 7 维度记忆评分模型（Recency、Frequency、Importance、Utility、Novelty、Confidence、Interference）
- 短期记忆（STM）和长期记忆（LTM）自动升级
- 决策 + 学习记录 + 偏好设置
- 噪音过滤（问题检测 + 负面模式过滤 + AI meta-talk 检测）

清理风险：低。SQLite 数据库，支持直接 rm ~/.true-mem/ 清理。模型缓存 23MB，不算大。

4. opencode-supermemory（1,207 Star）

一句话定位：云端同步方案，适合多设备使用。

存储位置：

~/.config/opencode/supermemory/    # 本地配置 + 缓存
数据实际存在 Supermemory 云端

存储内容：
- 对话记忆同步到 Supermemory 云端
- 本地只存配置和短期缓存

隐私说明：数据会上传到 Supermemory 服务器。如果隐私敏感，这是最大的风险点。

清理风险：低。本地数据少，主要是配置。删除插件后去 sup ermemory.ai 清理云端数据即可。

5. TencentDB Agent Memory（2,385 Star）

一句话定位：L0-L3 分层记忆 + Mermaid 符号化压缩，适合企业级长程任务。

存储位置：

~/.openclaw/memory-tdai/           # OpenClaw 模式
~/.memory-tencentdb/              # 独立模式

记忆文件（Mermaid、Markdown）：
  ├── persona.md                  # L3 用户画像
  ├── scenarios/                  # L2 场景块
  ├── atoms/                       # L1 结构化事实
  └── conversations/              # L0 原始对话

数据库：
  ├── memory.db                   # SQLite（含 L0-L3 语义）
  └── tcvdb/                       # 腾讯云向量库（可选）

存储内容：
- L0 原始对话 → L1 Atom → L2 Scenario → L3 Persona 完整分层
- 短期任务 Mermaid 画布（降 Token 用，带 node_id 可追溯）
- 每个抽象步骤都可以回溯到原始原文（没有不可逆压缩）

清理风险：高。这个系统设计复杂度高，清理时需要知道自己在做什么——删除 L3 Persona 会导致 Agent 失去用户画像，但 L1/L0 的证据还在，理论上可以重建。

四、C 盘清理脚本会误删吗？

这是读者最关心的问题：「如果我写了 .bat 清理脚本，会不会把记忆插件的数据当临时文件删掉？」

结论：取决于你的清理规则。

插件 默认路径 风险
opencode-mem ~/.opencode-mem/ 高——如果脚本清理「不明来历的文件夹」可能中招
open-mem .open-mem/（项目目录） 高——这是隐藏目录，清理脚本一般不碰，但 rm -rf 容易误伤
true-mem ~/.true-mem/ 中——~ 开头的目录有时会被清理脚本忽略
TencentDB Agent Memory ~/.openclaw/memory-tdai/ 高——路径不常见，容易被当成垃圾

安全做法：

  1. 不要用「删除超过 N 天的文件夹」这种规则清理 ~/.opencode-mem/、~/.true-mem/ 这类目录——记忆数据是越旧越值钱的
  2. 如果 C 盘紧张，在插件配置里改存储路径到非 C 盘目录
  3. 写清理脚本前，先 ls -la ~ 看看有哪些带记忆插件特征的目录
  4. 对于 open-mem，建议把数据放项目目录，这样清理时至少你知道「这是什么项目」

五、存储原理深度拆解：它们怎么「记」的？

1. 记忆分层 vs 平铺

类型 代表插件 原理
平铺向量 大多数简单方案 把对话切成块，编码成向量，存进向量库。召回时按相似度匹配。
分层记忆 TencentDB Agent Memory L0-L3 分层，平时用高层（Persona），需要精度时回溯到底层查证
符号化压缩 open-mem 用 AI 把工具输出压缩成结构化观察（~96% 压缩率），不是摘要，是可执行的结构
认知算法 true-mem 模拟艾宾浩斯遗忘曲线，重要记忆强化，噪音淡化

2. Token 消耗对比

插件 上下文注入量 说明
opencode-mem 中等 注入记忆索引，但 Agent 按需抓取
open-mem 低 ~96% 压缩率，结构化观察比原始日志轻量得多
true-mem 低 只保留高评分记忆，噪音自动过滤
Supermemory 可控 云端管理，注入量可配置
TencentDB Agent Memory 极低 Mermaid 画布替代原始日志，Token 降幅 -61%（官方数据）

六、横评与选型建议

功能对比

插件 向量搜索 本地存储 隐私优先 多语言 认知算法 Web UI
opencode-mem ✅ USearch ✅ 中 ✅ ❌ ✅ :4747
open-mem ✅ sqlite-vec ✅ ✅ 最高 ✅ ❌ ✅
true-mem ❌ ✅ ✅ 高 ✅ ✅ ❌
Supermemory ✅ ❌（云端） ❌ ✅ ❌ ✅
TencentDB Agent Memory ✅ sqlite-vec/TCVDB ✅ 高 ✅ ❌ 开发中

选型决策树

你是谁？
├── 隐私敏感，完全离线
│   ├── 推荐：open-mem（最纯粹的本地方案）
│   └── 次选：true-mem（认知算法更智能）
├── 多设备同步 / 团队协作
│   └── 推荐：Supermemory（1207 Star，云端同步最成熟）
├── 需要向量搜索 + Web UI
│   └── 推荐：opencode-mem（706 Star，功能最全）
├── 长程任务，需要 Token 极致压缩
│   └── 推荐：TencentDB Agent Memory（Mermaid 画布，-61% Token）
└── 长期项目，记忆要有「重要性」分层
    └── 推荐：true-mem（认知心理学 + 遗忘曲线）

学习曲线

插件 安装难度 配置复杂度 上手速度
open-mem ⭐ 一键 npx open-mem ⭐ 零配置 最快
true-mem ⭐ 改 JSON 配置 ⭐⭐ 几个参数 快
opencode-supermemory ⭐⭐ 需要 API Key ⭐⭐ 配置 KEY 中
opencode-mem ⭐⭐ 改 JSON ⭐⭐⭐ 功能多，参数多 中
TencentDB Agent Memory ⭐⭐⭐ Docker 或 Node 22 ⭐⭐⭐ 最高，功能最多 慢

七、存储数据安全建议

  1. 不要依赖插件作为唯一备份：记忆数据是 SQLite，放在系统盘有风险，定期备份到云或外部硬盘

  2. 清理前先看大小：
    bash du -sh ~/.opencode-mem/ du -sh ~/.true-mem/
    如果几十 MB，说明有积累，可以考虑归档而不是删除

  3. open-mem 的项目隔离：如果你有多个项目，用 open-mem 的 per-project 模式，每个项目独立记忆库，不会互相污染

  4. Supermemory 用户：定期去 app.supermemory.ai 检查云端数据，注销账号时记得清空云端记忆

写在最后

记忆插件的核心价值不是「存更多」，而是「记更好」。选哪款插件，取决于你的场景：

记住：你的记忆是你的资产，别让清理脚本把它们当垃圾收了。

你在用哪款记忆插件？存储方面踩过什么坑？评论区聊聊。

评论区预置内容

分层记忆这个设计思路很清晰
自己改写比拿来主义靠谱
省了不少时间
原来可以这样用

💬 评论区

加载中...