Supermemory — движок памяти и контекста для AI: №1 в бенчмарках LongMemEval, LoCoMo и ConvoMem

Представьте ассистента, который каждое утро просыпается с чистой памятью: вчера вы объяснили ему, что предпочитаете функциональный стиль и не любите лишние абстракции, а сегодня он снова спрашивает «а какой у нас тут стек?». Именно так живёт большинство AI-инструментов без слоя памяти. Supermemory — проект исследовательской лаборатории, который призван это исправить: он автоматически извлекает факты из разговоров, ведёт профили пользователей, отслеживает изменения знаний, разрешает противоречия и подсовывает модели нужный контекст в нужный момент.

При этом Supermemory позиционирует себя не просто как «векторная база для чата», а как полный контекстный стек: память, RAG, пользовательские профили, коннекторы к внешним сервисам и обработка файлов — всё через один API. Амбиции подтверждаются цифрами из README: Supermemory занимает первое место на трёх основных бенчмарках AI-памяти — LongMemEval, LoCoMo и ConvoMem, достигая 95% Recall@15 при добавлении всего ~720 токенов контекста (сокращение объёма контекста на 99,4%).

Что умеет Supermemory

Ядро проекта — единая структура памяти с онтологией, поверх которой работают пять компонентов:

• Memory — извлекает факты из разговоров, обрабатывает временные изменения и противоречия, автоматически «забывает» устаревшую информацию.
• User Profiles — автоматически поддерживает контекст пользователя: стабильные факты плюс недавняя активность. Один вызов, около 50 мс.
• Hybrid Search — RAG и память в одном запросе: документы из базы знаний и персонализированный контекст возвращаются вместе.
• Connectors — автосинхронизация с Google Drive, Gmail, Notion, OneDrive и GitHub через вебхуки в реальном времени.
• Multi-modal Extractors — обработка PDF, изображений (OCR), видео (транскрипция) и кода (чанкинг с учётом AST).

Отдельно стоит подчеркнуть «автоматическое забывание»: временные факты вроде «завтра экзамен» теряют силу после наступления даты, противоречия разрешаются сами, а шум не превращается в постоянную память. Это принципиальное отличие от наивных хранилищ, которые только накапливают.

Память для кодинг-агентов: плагины и MCP

Самый близкий разработчикам сценарий — добавить постоянную память в AI-инструменты. Supermemory поставляется с готовыми плагинами для Claude Code, Cursor, Codex, OpenCode, OpenClaw и Hermes. Все плагины — это open source реализации API Supermemory:

• Claude Code: github.com/supermemoryai/claude-supermemory
• Cursor: github.com/supermemoryai/cursor-supermemory
• Codex: github.com/supermemoryai/codex-supermemory
• OpenClaw: github.com/supermemoryai/openclaw-supermemory
• OpenCode: github.com/supermemoryai/opencode-supermemory
• Hermes-агент (Supermemory как провайдер памяти): github.com/NousResearch/hermes-agent

Альтернатива плагинам — MCP-сервер. Он публично доступен по адресу https://mcp.supermemory.ai/mcp и подключается стандартной конфигурацией:

{
  "mcpServers": {
    "supermemory": {
      "url": "https://mcp.supermemory.ai/mcp"
    }
  }
}

Поддерживаются Claude Desktop, Cursor, Windsurf, VS Code, Claude Code, OpenCode, OpenClaw и Hermes.

После установки ассистент получает три инструмента:

Работает это незаметно: вы общаетесь как обычно, Supermemory в фоне извлекает и сохраняет важное — факты, предпочтения, контекст проектов, — а уже в следующей сессии ассистент знает, над чем вы работаете и как любите, чтобы всё было устроено. Память разделяется по проектам (container tags), так что рабочий и личный контекст, разные клиенты и репозитории можно держать отдельно.

Единый API для разработчиков

Если вы строите собственные AI-продукты, Supermemory отдаёт весь контекстный стек через один API — без настройки векторных баз, embedding-пайплайнов и стратегий чанкинга. SDK ставятся из npm или pip:

npm install supermemory    # или: pip install supermemory

Минимальный пример на TypeScript:

import Supermemory from "supermemory";

const client = new Supermemory();

// Сохраняем факт из разговора
await client.add({
  content: "User loves TypeScript and prefers functional patterns",
  containerTag: "user_123",
});

// Профиль + релевантные воспоминания одним вызовом
const { profile, searchResults } = await client.profile({
  containerTag: "user_123",
  q: "What programming style does the user prefer?",
});

// profile.static  → [S5, S6]
// profile.dynamic → [S7]
// searchResults   → воспоминания, отранжированные по схожести

Есть и Python-SDK с тем же набором возможностей. Основные методы API:

Режим поиска переключается одним параметром: hybrid (по умолчанию) объединяет RAG и память — на запрос «how do I deploy?» вы получите и документацию по деплою из базы знаний, и предпочтения конкретного пользователя; memories ищет только по памяти.

Для интеграции с популярными фреймворками есть готовые обёртки: Vercel AI SDK, LangChain, LangGraph, OpenAI Agents SDK, Mastra, Agno, Claude Memory Tool и n8n. Например, обёртка для Vercel AI SDK выглядит так:

import { withSupermemory } from "@supermemory/tools/ai-sdk";
const model = withSupermemory(openai("gpt-4o"), { containerTag: "user_123", customId: "conv-1" });

Профили вместо поиска

Традиционная память опирается на поиск: чтобы что-то вспомнить, нужно знать, о чём спрашивать. Supermemory идёт другим путём — для каждого пользователя автоматически ведётся профиль:

const { profile } = await client.profile({ containerTag: "user_123" });

// profile.static  → [S1, S2, S3]
// profile.dynamic → [S4, S5]

static — это долгосрочные стабильные факты, dynamic — текущий контекст. Один вызов, около 50 мс: подставляете результат в системный промпт — и агент сразу знает, с кем разговаривает, без единого поискового запроса.

Supermemory local: запускаем сами

Для тех, кто не хочет отправлять данные в облако, есть Supermemory local — один бинарник без конфигурации:

curl -fsSL https://supermemory.ai/install | bash
# или
npx supermemory local

При первом запуске мастер настройки подключает встроенный графовый движок Supermemory, локальные эмбеддинги и выдаёт API-ключ. Полный Memory API — документы, память, профили, гибридный поиск — поднимается на http://localhost:6767:

const client = new Supermemory({
  apiKey: "sm_...",
  baseURL: "http://localhost:6767", // единственное изменение
});

Ключевые особенности локального режима:

• Любая модель — OpenAI, Anthropic, Gemini, Groq или любой OpenAI-совместимый эндпоинт; интерактивный мастер проведёт через настройку.
• Эмбеддинги — локальная модель Xenova/bge-base-en-v1.5 по умолчанию (без API-ключа); опционально OpenAI, Gemini или Ollama.
• Полный офлайн — направьте движок на Ollama (авторы рекомендуют gpt-oss:20b), и ничего не покинет вашу машину.
• Данные в одной директории — всё живёт в ./.supermemory, легко бэкапить и переносить.
• Тот же API, что и в облаке — прототипируйте локально, выкатывайте на платформу, поменяв только baseURL.

Подробности — в документации по self-hosting.

Бенчмарки: цифры вместо обещаний

На LongMemEval система достигает 95% Recall@15, добавляя лишь ~720 токенов контекста — сокращение на 99,4% (99,6% при @10, 99,8% при @5). По категориям: Knowledge Updates 99%, Assistant recall 100%, User recall 97%, Multi-session 93%, Temporal Reasoning 91%, Preference 90%.

Кроме того, команда построила Supermemory Filesystem (SMFS), которая на бенчмарке xAFS (110 вопросов) тратит в 3,0 раза меньше токенов на Claude (24M против 72M) и в 1,75 раза меньше на Codex. Для воспроизводимых сравнений memory-провайдеров выпущен открытый MemoryBench — фреймворк, позволяющий сравнивать Supermemory, Mem0, Zep и других лоб в лоб:

bun run src/index.ts run -p supermemory -b longmemeval -j gpt-4o -r my-run

Есть даже агентский скилл для бенчмаркинга собственного решения против Supermemory: npx skills add supermemoryai/memorybench, после чего достаточно выполнить /benchmark-context.

Память — это не RAG

Авторы отдельно подчёркивают концептуальное различие. RAG извлекает чанки документов — он безжизненно одинаков для всех пользователей. Память извлекает и отслеживает факты о пользователе во времени: система понимает, что «я только что переехал в SF» отменяет «я живу в NYC». Supermemory по умолчанию запускает оба механизма вместе, поэтому каждый запрос возвращает и результаты из базы знаний, и персонализированный контекст.

Архитектуру удобно представить так:

Ваше приложение / AI-инструмент
        ↓
   Supermemory
        │
        ├── Memory Engine     Извлекает факты, отслеживает обновления, разрешает
        │                     противоречия, автоматически забывает устаревшее
        ├── User Profiles     Статичные факты + динамичный контекст, всегда свежие
        ├── Hybrid Search     RAG + память в одном запросе
        ├── Connectors        Синхронизация с Google Drive, Gmail, Notion, GitHub...
        └── File Processing   PDF, изображения, видео, код → поисковые чанки

Технологии и лицензия

Проект написан на TypeScript (в стеке, судя по тегам репозитория, — Cloudflare Workers, Postgres, Drizzle ORM, Remix, Vite), распространяется под лицензией MIT и является одним из самых популярных проектов в нише: около 30 тысяч звёзд на GitHub. SDK опубликованы в npm и PyPI, документация живёт на supermemory.ai/docs, а сообщество собирается в Discord.

Если коротко: Supermemory — это попытка сделать для AI-агентов то, что Session persistence сделал для веба — слой, без которого «умный» ассистент обречён каждый день начинать с чистого листа. Причём попытка, которая подкреплена бенчмарками, работает и в облаке, и локально, и подключается к Claude Code с OpenCode в одну команду.