Supermemory
免费
Supermemory 是面向 AI agents 和应用产品的上下文基础设施，提供 Memory、SuperRAG、Search、Profiles、Connectors、Extractors 和 API/SDK/MCP 接入，适合把长期记忆、知识同步和检索增强能力做成可复用产品层。
Supermemory 工具文档
核心参数与统计
Supermemory 解决的是 AI 应用里的“上下文连续性”问题。它不是单纯的向量数据库，也不是只给终端用户保存网页的收藏工具，而是把记忆、检索、用户画像、连接器、抽取器和开发者 API 组合成一层 context infrastructure。
| 项目 | 当前信息 |
|---|---|
| 产品名称 | Supermemory |
| 官方入口 | https://supermemory.ai/ |
| 官方定位 | The context cloud for agents |
| 核心能力 | Memory、SuperRAG、Search、Profiles、Connectors、Extractors |
| 接入方式 | Web App、Developer Console、API、SDK、MCP |
| 定价方案 | Free、Pro、Max、Scale、Enterprise |
| 部署边界 | Cloud，Scale/Enterprise 覆盖更强团队与企业能力 |
它的关键价值在于把“模型下一次还能记住什么”从 prompt 手工拼接中抽出来，变成一套可写入、可检索、可同步、可计费和可治理的基础设施。
用户与市场认知
Supermemory 的目标用户主要是正在构建 AI assistants、knowledge bases、internal copilots 和 agent workflows 的团队。官方页面强调 agents、context、memory 和 retrieval，说明它的市场位置不是通用存储，而是 AI 应用的长期上下文层。
| 用户类型 | 主要诉求 | Supermemory 对应能力 |
|---|---|---|
| AI 应用开发者 | 让助手跨会话记住用户和项目 | Memory、Profiles、API |
| RAG 团队 | 更快接入检索和排序能力 | SuperRAG、Search |
| 企业知识团队 | 同步内部资料和外部工具 | Connectors、Extractors |
| Agent 平台团队 | 让工具链共享上下文 | SDK、MCP、Filesystems |
它的市场叙事很明确：开发者不应该反复在向量库、爬取器、同步器、用户画像表和检索重排之间手工粘合。Supermemory 想把这些能力收拢成一个产品化的上下文层。
成本优势
Supermemory 的成本结构是套餐加用量计费。官方定价页按 Memory、SuperRAG、Search、Storage、Bandwidth 等能力定义使用成本，同时给出 Free、Pro、Max、Scale 和 Enterprise 分层。这样的设计更适合从原型逐步走向生产。
| 方案 | 官方价格线索 | 适合场景 |
|---|---|---|
| Free | $0 | 原型、个人测试、轻量开发 |
| Pro | $19/mo | 小团队和插件/应用早期用户 |
| Max | $100/mo | 更高使用额度和更复杂个人/团队工作流 |
| Scale | $399/mo | 生产负载、团队协作、更多连接器和合规边界 |
| Enterprise | Custom | 专属基础设施、SLA、DPA、air-gapped 等需求 |
成本优势并不只是“便宜”，而是让团队避免自己维护多套系统：文档抽取、数据同步、检索、记忆合并、用户画像和 agent 上下文都可以从同一个 API/SDK 进入。
主要功能
Supermemory 的能力可以理解为一套面向 agent 的上下文原语。
- Memory：保存用户、项目、对话和事实，让 AI 应用在后续会话中复用上下文。
- SuperRAG：提供面向生产检索的 RAG 能力，减少团队自建检索管线的工作量。
- Search：用于在已写入的 memory 和知识对象中检索相关内容。
- Profiles：维护用户画像和偏好，适合个性化助手、CRM 式 AI 和长期协作场景。
- Connectors：连接外部工具和知识源，让上下文持续同步。
- Extractors：把网页、文档和多种文件类型转成可检索对象。
- SDK / API / MCP：让应用、agent 框架和开发工具直接接入记忆层。
这些功能组合起来，目标是让“添加上下文”和“取回上下文”变成工程接口，而不是每个产品团队都重新搭一套记忆系统。
版本演进
Supermemory 的公开演进路线很像从个人记忆产品走向开发者基础设施：先强调 second brain 和统一记忆，再推出开发者控制台、API、tools v2、Context Cloud 和企业级定价。
| 时间 | 节点 | 变化 |
|---|---|---|
| 2025-07 | Unified Memory | 强调个人应用、开发者控制台与 API 入口 |
| 2025-10 | Seed Round | 官方披露融资并强化 LLM memory engine 叙事 |
| 2026-04 | @supermemory/tools v2.0.0 | 加强 agent SDK 与 conversation identity |
| 2026-05 | Context Cloud | 将记忆、检索、profiles 与 embeddings 统一叙事 |
| 2026-06 | Current Pricing State | 用量计费拆分为 Memory、SuperRAG、Search、Storage 等项目 |
这个演进方向说明 Supermemory 不只是做一个“记忆应用”，而是在把上下文管理拆成开发者可以购买、调用和组合的基础设施。
技术优势
Supermemory 的技术优势在于它试图把记忆从“长 prompt”变成结构化系统。对 AI 应用来说，直接把所有历史对话塞进上下文窗口既贵又不稳定；更可控的方式是先抽取、归档、索引和理解，再在 query time 取回最相关的内容。
它的优势主要体现在三个方面。第一，开发者不必自己拼抽取、同步、索引和重排。第二，Profiles 和 Memory 让用户级上下文更容易长期维护。第三，MCP 和 SDK 让 agent 工具链可以共享同一层记忆，而不是每个工具各存一份孤岛数据。
边界也要说清楚：Supermemory 能提升上下文管理能力，但最终回答质量仍取决于数据质量、写入策略、查询策略、权限设计和模型本身。
使用方式
Supermemory 的典型使用路径是先创建开发者账号和 API key，再把文本、文件或对话写入 memory，随后在应用运行时检索相关上下文。
| 步骤 | 说明 |
|---|---|
| 创建项目 | 进入 Developer Console，配置 API key 和项目 |
| 写入内容 | 通过 API、SDK、连接器或抽取器添加文档与对话 |
| 标记边界 | 用用户 ID、项目 ID、container 或 metadata 区分上下文 |
| 检索上下文 | 在模型调用前搜索相关 memory 或 SuperRAG 结果 |
| 集成工具 | 用 MCP、SDK 或 agent 框架接入现有工作流 |
实际落地时，最好先明确“哪些内容应该被记住，哪些内容必须被遗忘”。记忆系统如果没有边界，很容易从帮助上下文变成噪声来源。
产品定价
Supermemory 定价页同时展示套餐价格和用量价格。套餐决定每月内置额度、协作能力和企业能力；用量价格则覆盖 memory、SuperRAG、search、storage 和 bandwidth 等项目。
| 计费项 | 官方口径 |
|---|---|
| Memory | 按页计量，首 5k pages 免费，之后按量计费 |
| SuperRAG | 按请求计费，包含一定免费额度 |
| Search | 按请求计费，包含一定免费额度 |
| Storage | 按 GB 月度计费，包含免费额度 |
| Bandwidth | 按 GB 计费，包含免费额度 |
对预算敏感的团队，建议先用 Free 或 Pro 验证检索质量和写入策略，再评估 Max/Scale 是否值得。企业团队则应重点确认数据边界、SLA、DPA、专属基础设施和 air-gapped 需求。
应用场景
Supermemory 最适合“上下文会不断变化，但又不能丢”的场景。
- AI 助手：记住用户偏好、项目背景、历史对话和工作习惯。
- 知识库问答：把文档、网页和内部资料写入可检索上下文层。
- 企业内部 Copilot：同步团队知识源，让模型回答时具备组织上下文。
- Agent 工作流：让多个工具和 agent 共享项目记忆。
- 个性化产品：通过 Profiles 维护用户级事实和偏好。
如果只是一次性 FAQ 或静态文档检索，Supermemory 可能偏重；如果产品需要长期、个性化、跨工具的上下文，它会更有价值。
适用人群
Supermemory 适合 AI 产品团队、agent 开发者、RAG 工程师、平台工程团队和企业知识管理团队。它尤其适合那些已经意识到“把历史记录直接塞进 prompt”不可持续的团队。
不太适合的情况是：团队没有跨会话记忆需求、不需要同步外部知识源、也不准备维护用户画像或上下文边界。那时普通向量检索或数据库方案可能更轻。
总结与展望
Supermemory 的核心价值，是把 AI 应用里的记忆和上下文从临时 prompt 技巧变成基础设施。它把 Memory、SuperRAG、Search、Profiles、Connectors 和 Extractors 放到同一个产品中，降低了开发者自建上下文层的复杂度。
未来值得观察的是三点：用量计费在大规模生产中的真实成本，企业部署和合规能力的成熟度，以及 MCP/agent 生态是否能让它成为更通用的 agent memory layer。
版本信息
- Supermemory Context Cloud ：当前公开网站将 Supermemory 定位为 The context cloud for agents，定价页按 Memory、SuperRAG、Search、Storage 和带宽拆分用量，并提供 Free、Pro、Max、Scale、Enterprise 五类方案。
- Context Cloud Update ：官方博客围绕 Context Cloud、记忆、检索、profiles、reranking 与 embeddings 进行产品叙事更新。
- @supermemory/tools v2.0.0 ：官方博客发布 tools v2，聚焦 agent SDK 接入、conversation identity 和 memory saving 默认行为，强化开发者集成体验。
用户评价