给AI提供本地记忆
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
MEMM 定位为“AI 的第二大脑”：它不是聊天机器人或大模型，而是一个本地、可携带、MCP-Native 的 AI 记忆与上下文工程工具。它把知识保存为带 YAML frontmatter 的 Markdown 文件，并通过本地 MCP Server 将相关上下文提供给 ChatGPT、Claude、Cursor、Codex 与本地 LLM，目标是减少反复解释项目背景和浪费 token。
MEMM 的核心在于文件系统原生记忆、类型化本体与评分检索。记忆可被标注为 Entity、Concept、Source、Synthesis 等类型，并按 L0/L1/L2 分层暴露不同细节。检索侧使用 BM25、语义、图谱、时效、重要性、访问频率六类信号评分，并根据 token 预算注入最相关内容。它还提供健康度、过期记忆、冲突和合并建议等治理能力。需要注意的是，正文说明当前语义检索更接近关键词扩展与短语重叠，真正本地 embedding 仍属路线方向。
页面明确称 MEMM 免费、开源，源码可在 GitHub 查看，采用 FSL 并自动转为 Apache 2.0；未披露商业版或订阅价格。隐私是其强项：无云同步、无遥测、无 analytics，MCP Server 仅绑定 127.0.0.1，知识以本地 Markdown 文件保存，可读、可编辑、可用 Git 管理。
优点是透明、可审计、无向量数据库基础设施负担，且能跨工具复用同一份记忆，比手写 CLAUDE.md 更具结构化和可维护性。缺点是版本仍早，页面标注 v0.1.0 且 Mac 公共版本仍在开发；用户需要理解 Markdown 元数据、类型和治理流程，存在学习成本。官方给出 +43% 准确率、87% token 节省等指标，但正文未提供足够完整的评测细节。
MEMM 更适合工程师、独立开发者和小团队，用于长期项目的架构决策、编码规范、错误处理约定、资料来源和复盘知识沉淀。中国访问情况正文未说明；作为本地应用理论上运行不依赖云服务，但下载 GitHub、接入 ChatGPT/Claude 等外部工具可能受网络与账号条件影响。替代方案包括 Obsidian/Logseq、手写 AGENTS.md/CLAUDE.md，或 Chroma、pgvector 等向量 RAG 方案。
本测评基于公开资料整理,不构成购买建议,请以 memm.dev 官网实际信息为准。
开源MCP原生AI记忆工具，适合AI工作流。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。