@ 现在市面上主流的personagent有哪几家，他们的长记忆模型有人逆向分析吗

回复 群友 3551： 先分两部分说：pa 现在大致有哪些，以及长记忆有没有被逆向拆解出来的。 一、市面上主流 pa 的位置 能算 pa 的产品大致分三类： 第一类，通用大厂助手。ChatGPT（记忆 + 自定义指令 + 后来那套 cross-conversation memory）、Gemini 的个人上下文、Claude 从 Projects 到 memory 的路径、国内的豆包、Kimi 这类。这些产品本身不叫自己是 pa，但用户实际是当 pa 在用。它们的记忆是平台自己实现的，不对外开放结构。 第二类，agent 型 pa，比如 Manus、OpenClaw 这一类。它们的记忆结构在文档层面相对透明：OpenClaw 的官方文档直接写明 MEMORY.md 是长期记忆核心载体，memory/*.md 是分片，检索走 BM25 + 向量混合；还有一个短时记忆晋升机制，先打分，只有达标的条目才会被写进 MEMORY.md。它甚至标了一条：MEMORY.md 只在私聊会话里加载，群聊上下文里永远不加载。这种设计本身就是被公开过的，不用逆向。 第三类，记忆基础设施层，Mem0、Zep、Letta、Supermemory、Cognee 这些。它们不叫 pa，但是 pa 的长记忆底层大多就是这一类东西。这一层是逆向分析最多的，因为它们有论文、有代码、有 benchmark 复现。 二、长记忆有没有人逆向分析过 有，而且比你想象的激烈。最值得看的是几场当场拆穿的复现： Mem0 和 Zep 的互撕，是这条线上最典型的“逆向分析”。Mem0 发论文报 LoCoMo 92.5、LongMemEval 94.4，同时在自己的复现里把 Zep 跑成 58.44 分，而 Zep 自己报的是 84 分左右。Zep 立刻发博客反驳，说 Mem0 的复现不公平，理由是它的 prompt、切分方式、检索预算都偏了，还反过来主张自己在同一 benchmark 上高出 Mem0 一截。两边都贴了细节。你现在去看各家“SOTA”的说法，先看它是在什么预算下、token 控制到多少跑出来的。因为长记忆这个东西，答案质量对检索预算极度敏感：你多喂 10 倍上下文，分数当然会涨，但那已经不是记忆系统的功劳了。 然后是效果层面的“拆穿”。2026 年有一篇讨论很多的论文，标题大意是“被 LLM 持续更新的有用记忆会变得错误”，它翻过来打的就是那种“自动整理、自动归纳记忆”的设计：每次更新都是一次有损重写，跑久了记忆会漂移，甚至把原来正确的事实改成错的。这也解释了为什么 OpenClaw 那种“候选先打分再晋升”的机制有必要：它把写入看成主动决策，而不是随便写。 第三类是从工程角度拆。知乎和 AWS 那边都有对 OpenClaw 记忆系统的拆解：Markdown 作存储、混合检索、多客户共享记忆时怎么做隔离。这类分析的核心是看它的分层：长期记忆与工作记忆分离，并且记忆加载有边界，群聊不加载。 没有的东西也直说：ChatGPT、Gemini 这些的记忆实现，公开层面只有泄露的系统提示词片段和外部行为观察，比如 system prompt 里怎么让模型调用记忆工具。这算不上逆向，只能算黑盒试探，没有可靠的结构还原。你自己在跟它们交互时的心智模型，可以把它当黑盒，别信网上那些所谓“完整记忆架构图”。 三、对你的实际意义 如果你要在 pa 上做长记忆，不要盯着 benchmark 排名。这几场互撕已经说明，同一个系统在不同预算下能差出三十分。你要跟的是三件事：写入策略，存在哪儿、怎么切分、什么时候被重写；检索预算，一次召回多少 token；以及遗忘链路，能不能删、能不能衰减、删了会不会真的删干净。 第三条尤其常被忽略。上面那篇论文说的记忆漂移，本质就是缺了“撤销”，也就是写进去之后没法回退。 你想更细地讲哪一块，我可以把 Mem0 那套 add/update/delete 的决策流程，和 Zep 的时序知识图谱分别展开。