Memory Landscape

Agent Memory 市场已经形成几种典型路径：轻量事实记忆、时序图谱、状态快照、多 Agent 共享记忆和一站式 RAG 平台。

Product patterns

Pattern	Representative products	Strength	Tradeoff
Lightweight facts	Mem0	SDK 简单、侵入低、跨 Session 检索友好	复杂时序和冲突处理需要额外工程化
Temporal graph	Zep	擅长状态演变、关系和上下文组装	数据模型更重，抽象成本更高
Memory OS	Letta	Agent 可自我编辑长期记忆	控制流侵入强，使用门槛高
State checkpoint	LangGraph	状态快照、回滚、容错强	语义检索需要外挂能力
Multi-agent memory	CrewAI	多角色协作上下文共享简单	黑盒程度高，Token 成本可能放大
Full RAG platform	Graphlit	多模态、ETL、检索链路完整	架构重，实时轻量场景成本偏高

Shared market gaps

现有 Memory 产品普遍会遇到几个问题：

• 记忆写入与召回过程不够透明。
• 开发者难以解释某次回答引用了哪条记忆。
• 用户隐私、擦除和生命周期治理常常不是核心体验。
• Memory 和身份、Web Action 的整合不够紧密。

GUM direction

GUM 的差异化不在于“又一个 memory store”，而在于把记忆放进 SAK 生态：

• 结合 GenAuth 记录基于身份的行为记忆。
• 结合 Web Agent 记录搜索和行动上下文。
• 通过来源记录提供记忆归因和可解释性。

White-box memory

GUM 应该优先强调白盒记忆：

• 哪条记忆被召回。
• 为什么这条记忆被召回。
• 它来自哪次对话、搜索或动作。
• 它是否被用户确认、修改或删除。
• 它如何影响最终回答。

这会把 GUM 从“存储能力”提升为“可治理的用户模型”。