claude-mem 和 OpenViking 哪个好？AI 记忆方案选型对比（2026）

直接给结论：个人开发者用 Claude Code / Cursor 写代码，想要「自动记住项目踩过的坑」，选 claude-mem——一条命令装好、全程本地运行；在自研 AI Agent 产品里建统一的记忆、资源、技能管理体系，选 OpenViking——字节火山引擎开源的上下文数据库，按服务端方式部署。 两者不是同一个层面的东西：claude-mem 是「插件」，OpenViking 是「基础设施」。本文用一张对比表、两套安装教程和社区实测反馈，帮你在 10 分钟内选对方案。

搜索「claude-mem vs openviking/mapalace」进来的读者请注意：我们核查了全网公开资料，"mapalace" 并不是一个真实存在的 AI 产品（各大搜索引擎均无独立产品条目），这个组合词大概率是搜索时的拼写混淆。本文对比的双方就是 claude-mem 与 OpenViking——目前社区讨论最多的两款「AI 记忆」方案。

先搞清楚：两款工具分别是什么

claude-mem 解决的问题：跨会话记忆丢失。今天关掉 Claude Code，明天再打开，它不记得你上周调通的配置、踩过的坑。claude-mem 通过 Hook 机制自动捕获每次工具调用的「观察记录」，用 AI 生成语义摘要存进本地 SQLite（全文检索）和 Chroma（向量检索），新会话开始时自动注入最近 10 个会话的相关上下文。官方文档的原话是"让 Claude 在会话结束后仍保持对项目知识的连续性"。

OpenViking 解决的问题：Agent 的上下文碎片化。构建 Agent 时，记忆在代码里、资源在向量库、技能散落各处；长程任务每跑一次都产出新上下文，简单截断会丢信息，传统 RAG 平铺存储又缺乏全局视野。OpenViking 把记忆（Memory）、资源（Resource）、技能（Skill）统一进一套 viking:// 虚拟文件系统，用类 Unix 的 API（ls / read / find）来管理和检索上下文。

一句话区分：claude-mem 是给「你自己用的编码助手」装记性，OpenViking 是给「你开发的 Agent」建记忆系统。

claude-mem 是什么：给 Claude Code 装上「自动记笔记」

它的核心能力来自官方文档和社区实测：

• 自动捕获与压缩：通过 5 个生命周期 Hook（SessionStart、UserPromptSubmit、PostToolUse、Stop、SessionEnd）在后台记录工具使用观察，AI 生成语义摘要，而不是堆日志；
• 持久记忆：新会话自动注入相关历史，支持 FTS5 全文检索和自然语言 MCP 搜索工具；
• Folder Context Files：自动在项目文件夹生成带活动时间线的 CLAUDE.md，记忆沉淀成可分享的文档；
• 28 种语言模式：中文用户可直接使用中文模式；
• Knowledge Agents：把观察历史构建成可查询的「大脑」；
• 隐私控制：<private> 标签可以排除敏感内容；Web 查看器实时可视化记忆流。

安装只有一条命令（要求 Node.js 20+，Bun 会自动装）：

npx claude-mem install

或者在 Claude Code 里走插件市场：

/plugin marketplace add thedotmack/claude-mem
/plugin install claude-mem

重启 Claude Code 后看到 Memory loaded: X observations 即安装成功，健康检查用 npx claude-mem doctor。

社区实测的三个真实短板（来自头条、掘金等平台的中文测评和用户反馈，值得写文档前先知道）：

1. 它不解决单会话窗口满的问题——只让你在新会话里更快复用旧会话的精华，间接减少被迫开新会话的频率；
2. 大项目会话启动变慢：注入的观察默认 50 条，可改 ~/.claude-mem/config.json 里的 CLAUDE_MEM_CONTEXT_OBSERVATIONS 到 20 起步；
3. 跨项目误召回：有用户反馈项目路径相邻时会召回隔壁项目的记忆，需要按路径手动清理记录（操作前先备份数据库）。

另外要分清隐私边界：claude-mem 的数据存在本地，但它不改变「对话内容本来就要发给模型 API」这个事实——<private> 标签防的是本地文件泄露，不是云端。

OpenViking 是什么：给 Agent 建一套「上下文操作系统」

OpenViking 由字节跳动火山引擎 Viking 团队开发并开源，定位是"专为 AI Agent 设计的上下文数据库"，目前在快速迭代中（火山引擎官方文档使用的版本为 0.4.15，GitHub 最新 Release 已到 v0.4.16）。

三个核心设计：

1. 文件系统范式。所有上下文组织成一棵 viking:// 虚拟文件树：resources/ 放项目文档和代码库，user/{id}/memories/ 放用户记忆，agent/skills/ 放全局技能。Agent 用确定性路径 + 语义搜索两种方式定位数据。

2. 分层上下文按需加载。写入时自动处理成三层：L0 摘要（256 字符，用于向量搜索）、L1 概览（4000 字符，用于精排和导航）、L2 完整内容（按需加载）。不用把海量上下文一次性塞进提示词，省钱也不引噪声。

3. 可观测的检索链路。提供目录递归检索策略和可视化检索轨迹（Web Studio UI），出错能调试——这是对传统 RAG「黑箱检索」的直接回应。

快速启动用 Docker，默认在 1933 端口起 API 服务（同一端口附带 Web Studio UI）：

docker run -d -p 1933:1933 volcengine/openviking

（以官方 Quick Start 文档 为准）

集成面比 claude-mem 宽得多（下图为 OpenViking 的 GitHub 仓库）：

OpenViking 官方文档列出了 Claude Code、Codex、OpenCode、Cursor、TRAE、DeepSeek Harness、OpenClaw、Hermes、LangChain/LangGraph 以及通用 MCP 客户端接入。也就是说，OpenViking 也能给 Claude Code 供上下文——但它是把自己当成所有 Agent 共用的记忆后端，而不是一个「装完即忘」的插件。

核心对比：5 个维度看差异

怎么选，其实就是三个问题：

1. 你是「用 Agent」还是「做 Agent」？ 用现成 IDE 写代码 → claude-mem；开发 Agent 应用 → OpenViking。
2. 数据能不能出本机？ 涉及公司代码、敏感项目，本地优先 → claude-mem；要团队共享记忆 → OpenViking。
3. 要不要管「技能」和「资源」？ 只需要记性 → claude-mem 够用；要把工具调用能力（Skill）、知识库（Resource）、记忆（Memory）统一治理 → OpenViking。

两个典型场景的实际选法

场景 A：自由开发者，Claude Code 重度用户。 选 claude-mem。理由：安装零摩擦、数据在本地、自动生成 CLAUDE.md 还能沉淀成项目文档。配合「重要决策写进 CLAUDE.md、过程踩坑交给 claude-mem」的分工，记忆质量最稳——这也是社区测评验证过的最佳实践：CLAUDE.md 当权威结论，claude-mem 记录辅助过程。

场景 B：团队在做一个需要长期记忆的 Agent 产品。 选 OpenViking。理由：用户偏好、任务经验这类「任务记忆」需要跨用户、跨会话的集中管理和迭代；分层加载直接控制 token 成本；可视化检索轨迹让线上问题可排查。这些都不是一个 IDE 插件能承担的。

如果你正在评估 Agent 相关的技术选型，也建议同时看看这两篇：ChatGPT Work 和 Claude Cowork 怎么选（办公 Agent 选型思路类似），以及 Anthropic MHS 是什么（Agent 操控物理世界的另一块拼图）。

总结

• claude-mem：插件级记忆方案，一条命令安装，本地运行，适合用 Claude Code / Cursor 写代码的个人开发者，社区口碑的共识是「跨会话记忆确实省心，但要接受启动变慢和偶发误召回」。
• OpenViking：基础设施级上下文数据库，字节开源、快速迭代中，适合给自研 Agent 建统一的记忆 / 资源 / 技能体系，团队场景才是它的主场。
• 判断标准只有一条：你是给自己装记性，还是给你的 Agent 产品建记忆。

最后更新于 2026 年 9 月 2 日。两款工具都在快速迭代（OpenViking 处于 v0.4.x 阶段），价格、版本与功能以官方文档为准。

作者：AI345 AI 指南编辑部。我们持续实测和追踪 AI 工具与模型动态，往期内容可从 AI 指南首页 进入。

参考资料（均为官方或一手来源）：

• Claude-Mem 官方文档：Introduction
• claude-mem GitHub 仓库
• OpenViking 官方文档：简介
• OpenViking GitHub 仓库
• 火山引擎方舟 OpenViking 文档