AI Agent 记忆系统对比：Hermes vs OpenViking vs Holographic Memory

概述

本文对比了三套 AI Agent 记忆系统的架构、功能和适用场景，帮助理解不同记忆方案的设计取舍。

三套系统对比

维度	Hermes 内置记忆	OpenViking	Holographic Memory
存储位置	`/opt/data/memories/MEMORY.md` + `USER.md`	远程服务器 `192.168.1.12:1933`	`fact_store` 工具（本地）
数据结构	Markdown 文件（扁平文本）	文件系统层级（`viking://` URI），含 user/agent/resources/session 四大域	结构化 fact（ID 编号）
分类体系	无显式分类	6 类自动提取：profile, preferences, entities, events, cases, patterns	手动写入，无自动分类
检索方式	全文注入 system prompt	语义搜索 + 分层加载（L0 abstract ~100 token / L1 overview ~2k / L2 full）	`fact_store` 实体检索
会话管理	无	自动 session commit → 记忆提取	无
工具数	内置（MEMORY.md/USER.md 始终活跃）	5 个：`viking_search`, `viking_read`, `viking_browse`, `viking_remember`, `viking_add_resource`	`fact_store`
认证	无需	API Key	无需
并发限制	无	仅一个外部 provider 可激活	与内置记忆并存

各系统详解

1. Hermes 内置记忆

工作原理

两份 Markdown 文件：MEMORY.md（环境/技术记忆）和 USER.md（用户画像）
每次对话自动注入 system prompt，无需显式调用
通过 memory 工具手动添加/更新/删除条目

优点

零配置，开箱即用
始终活跃，无需检索
简单可靠

缺点

容量有限（字符数限制）
无语义搜索
扁平文本，无结构化查询

2. OpenViking

工作原理

独立知识库服务器，REST API 访问
支持语义搜索（向量嵌入）
分层加载：L0 abstract（~100 token）→ L1 overview（~2k）→ L2 full
自动从会话中提取记忆（session commit）

优点

语义搜索能力强
自动记忆提取
分层加载节省 token

缺点

需要独立服务器部署
嵌入模型有 512 token 限制
配置复杂（provider、dimension 等）

已知问题

viking_search 返回 0 结果（v0.3.x 已知问题）
abstract/overview 端点对非目录 URI 不兼容

3. Holographic Memory

工作原理

基于 fact_store 工具的结构化记忆
每条 fact 有唯一 ID，支持实体检索、关系查询
与 Hermes 内置记忆并存

优点

结构化查询（probe、related、reason）
与内置记忆互补
无外部依赖

缺点

手动写入，无自动提取
无语义搜索
需要主动管理

同步策略

2026-05-07 执行了三套系统的数据汇聚：

Hermes 内置记忆 → Holographic：写入 29 条 fact（ID 2-30）
OpenViking → Holographic：通过 REST API 读取，写入 18 条 fact（ID 31-48）
最终状态：Holographic Memory 共 47 条 fact（ID 2-48）

设计取舍

需求	推荐方案
快速上手、轻量级	Hermes 内置记忆
语义搜索、自动提取	OpenViking
结构化查询、实体关系	Holographic Memory
三者互补	内置记忆（始终活跃）+ Holographic（结构化）+ OpenViking（语义搜索）

相关配置

OpenViking 服务器：http://192.168.1.12:1933，版本 v0.3.14
嵌入模型：netease-youdao/bce-embedding-base_v1（SiliconFlow API，provider=openai）
Hermes 记忆路径：/opt/data/memories/MEMORY.md + USER.md
Holographic Memory：通过 fact_store 工具访问