PowerMem 未来可能成为 OB 的杀手锏

如果你使用 Agent 频率很高, 肯定有过这样的体验: 因为 AI 没跨会话的记忆, 如果采用 全量上下文方案 代价很高. 对话越长, 推理越慢, token 费用线性增长, 模型对中间内容的注意力还会衰减(中心衰减效应, transformer 底层机制使然), 回答质量反而下降。

OceanBase 团队在 2026 年 5 月 15 日正式发了 1.0.0 版本的 PowerMem, 直奔记忆痛点。为 LLM 按需召回关键事实, token 用量可降到全量上下文的 18% 。

但这 18% 背后, 工程上做了什么、产品面向什么用户、未来会怎么走, 不是一句话能讲清楚。今天就从四个完全不同的视角把它拆开看一遍。光听不看,欢迎订阅：

它到底是什么

我把它类比成"AI 的笔记本 + 秘书"。

普通的向量数据库(Chroma、Milvus、Pinecone)是"会搜索的文件夹": 你塞什么它存什么, 召回什么它不负责。

mem0 是"听话的笔记本":你告诉它"记住 X", 它存; 你忘了告诉它, 它不会主动记。

PowerMem 是"会思考的笔记本 + 秘书" : 它会自动从对话里"划重点", 去重、合并冲突、把过期的自动忘掉、还要时精准召回。

翻译成技术语言, 它做的是 5 件事:

1. 抽取: 让 LLM 从一段对话里挑出值得长期记的事实
2. 编码: 把这些事实转成向量(语义检索用)
3. 去重: 拿新事实和库里已存的 top-k 条比对, 让 LLM 决定是 ADD / UPDATE / DELETE / SKIP
4. 存储: 同时落向量 + 标量 + 可选全文 + 可选图
5. 检索: 语义召回 + 全文召回 + 衰减打分, RRF 融合后返回

这 5 步用"插件化"的方式串起来。你想要更狠的衰减规则? 写个新插件挂上去, 不需要改核心代码。

怎么用

非常简单, 5 行跑通:

from powermem import create_memory

memory = create_memory()  # 自动读 .env, 没 key 就用 mock provider
memory.add("User likes coffee", user_id="user123")
results = memory.search("user preferences", user_id="user123")
print(results)

create_memory() 是约定的入口函数, 会自动从 .env 加载配置。如果你什么都没配, 它会用内置本地 all-MiniLM-L6-v2 做向量化(384 维, 模型第一次跑会自动下载到 ~/.cache), 用 mock provider 跑通整条链路。这点对个人开发者非常友好。

.env.example 里强烈推荐你先选 3 个核心配置:

• LLM_PROVIDER (默认 qwen): 决定用哪家 LLM 做抽取和重要性评分。
• EMBEDDING_PROVIDER (默认 default, 即本地 all-MiniLM-L6-v2): 决定向量化。
• DATABASE_PROVIDER (默认 oceanbase): 决定存哪。如果不设 OCEANBASE_HOST, 它会自动跑 embedded seekdb 在 ./seekdb_data/ 目录下, 同一个 SQL 表面, 不需要单独数据库服务。这是它和传统方案的"开箱即用"差距点。

踩坑预警: 如果你用了 embedded SQLite 或 seekdb 模式, uivcorn 只能开 1 个 worker , 多进程会写坏数据。生产一定要用独立 OceanBase 集群。

接入 IDE/Agent 比 Python SDK 还简单: 进入项目目录, 然后在 Claude Code 终端里贴一行 Read and follow apps/claude-code-plugin/SETUP.md to set up PowerMem memory for Claude Code., Claude Code 会自己读完安装文档, 问你几个 key, 帮你接好。。

它和另外几个AI Memory: mem0、Letta、Zep 什么关系

光看功能描述, "AI memory" 框架长得都差不多, 怎么分? 我在产品视角上把它们画成一张图:

• mem0 在"轻量半通用"象限, 2025 年 11 月拿到 2400 万美元融资(来源: 腾讯新闻 2025-11-04), 资本叙事最强, 适合初创公司快速接入。
• Letta(原名 MemGPT)由 UC Berkeley 实验室孵化, GitHub 19K stars(2025-11 数据), 学术血统最纯, 本质是 Agent 框架, memory 只是其中一块。
• Zep (Graphiti) 在"重 + 企业"象限, 商用 SaaS + 开源, 是 PowerMem 最直接的对手。
• PowerMem 也在"重 + 企业"象限, 但绑的是 OceanBase, 不是独立品牌 。 不过它开源, 你也可二开来接其他数据库.

工程角度

它对 OceanBase 的适配是真的深, 不是"塞个 vector 列" :

• 5 种向量索引(HNSW / HNSW_SQ / IVFFLAT / IVFSQ / IVFPQ), 后三种是量化压缩, 用精度换内存
• 自动设置 ob_vector_memory_limit_percentage = 30 (来源: docs/architecture/overview.md L311)
• 5 种全文检索 parser(ik / ngram / ngram2 / beng / space), 中文用 ik
• 向量检索和全文检索是真并行, 用线程池执行
• 融合默认用 RRF(Reciprocal Rank Fusion), 公式 score = Σ 1/(k+rank_i), k=60 是经验值

但也要注意:

• Graph 存储是"伪图" , 用节点表 + 边表 + 边权重实现, 最多 3 跳 (来源: docs/architecture/overview.md L360-363)。要做 4 跳以上图算法, 撑不住, 要外挂 Neo4j 或 等未来支持。 你可以考虑用csr,csc格式来加速.
• embedded seekdb 单进程, 多 worker 必须用独立 OB 集群。

它和 OceanBase 的关系

站在开源战略分析师的视角, 我看到一组非常清晰的信号:

1. 项目仓库在 oceanbase/powermem , 不是 powermem/powermem。
2. 团队邮箱是 open_oceanbase@oceanbase.com (来源: pyproject.toml L11)。
3. OceanBase 在 IDC 2025-07 报告里以 21.2% 份额登顶中国分布式数据库本地部署市场, OB 有资源也有动机孵化 AI 时代的"OB 配套组件"。

把这 3 个信号放在一起, 我的判断是: powermem 是"被 OceanBase 战略孵化"的工程化产物, 短期 6 个月高确定性, 中期 18 个月取决于 OB 是否把它升级为旗舰组件。

最可能的演进路径是走"OB 旗舰组件"路线: 嵌入 OB Cloud 控制台, 一键部署, OB 企业客户天然消化。次可能概率走"独立开源 + 商业化"路线, 推出独立的 PowerMem Cloud SaaS, 与 mem0/zep 三足鼎立。

除了claude, gemini, gpt这种原厂产品(自带记忆), 当你要私有化部署时, 一定会涉及到Agent memory的问题, agent用得越多, memory需求越旺盛, 我个人判断 PowerMem 未来可能成为 OB 的杀手锏, 绝对不可能让它待字闺中!