用途
supermemory 定位为 AI 智能体的“默认记忆与持续学习引擎”。其核心目标是让 AI 不依赖模型自身的实时学习能力，而是通过独立、可互操作的记忆层，为任意模型、任意 harness 提供个性化与持续改进能力。官方指出，预训练与后训练虽能继续提升模型智能，但无法让模型实时学习与改进，因此记忆需要与模型提供方解耦。
主要能力
- 通用记忆 API：以 API、插件和 MCP 三种方式提供，可接入任意模型与 harness。
- 持续学习模型 learner-1：能够从任何用户、任务或租户的上下文中提取与“dreaming”学习内容，形成密集、互联、持续增长的学习记忆。
- 向量图数据库：将学习结果存入向量图数据库，并在运行时通过向模型上下文实时注入 token 的方式带回给模型。
- 无限上下文与简化检索：面向智能体提供无限上下文与简化检索能力。
- 文档提取：Scale 和 Enterprise 版本包含面向 PDF 的高级文档提取，支持 OCR 以及图表、示意图的描述；Free、Pro、Max 版本使用标准 PDF 提取。
- 部署灵活性：支持在用户数据中心、VPC、笔记本本地运行，甚至可在气隙环境部署，数据可完全不出域。
- 安全与合规：SOC 2 认证、HIPAA 合规、GDPR 对齐，可签署合同与 DPA。
使用方式
- 通过官方提供的 API、插件和 MCP 接入现有智能体或模型。
- 将模型接入 learner-1，使其从用户、任务或租户上下文中持续学习，学习内容写入向量图数据库。
- 运行时由系统将记忆以 token 形式实时注入模型上下文，模型无需重新训练即可获得个性化记忆。
- 根据部署需求选择数据中心、VPC、本地或气隙环境。
适用场景
- 需要长期记忆与个性化的 AI 智能体。
- 已在生产环境运行记忆、且希望降低 token 消耗与响应时间的团队。
- 多模型、多 harness 并存的环境，需要跨模型互操作的记忆层。
- 对数据驻留和合规有严格要求的行业，如医疗（HIPAA）与欧盟（GDPR）相关业务。
- 需要在气隙或本地环境部署记忆能力的企业。
效果数据
官方引用的效果包括：平均响应时间从 40 秒降至 12 秒，token 使用量减少约 40%–50%。
限制
- 高级 PDF 文档提取（含 OCR 与图表描述）仅在 Scale 和 Enterprise 版本提供，Free、Pro、Max 为标准 PDF 提取。
- 关于具体定价、各套餐功能差异的完整列表、API 端点细节、插件与 MCP 的完整接入文档、支持的语言与平台清单，当前资料暂未提供。
