Principais conclusões
- LongMemory (github.com/CaviraOSS/LongMemory) é um motor de memória gratuito, de código aberto e self-hosted para agentes de IA e aplicações LLM
- Desenvolvido pela CaviraOSS; publicado anteriormente sob o nome OpenMemory antes de ser renomeado para LongMemory — esta review trata os dois como o mesmo projeto, não como duas ferramentas concorrentes
- Licenciado sob Apache 2.0 para o motor principal; um pacote de node comunitário do n8n separado é MIT, conforme sua própria listagem de pacote
- Armazena memória em um substrato baseado em grafo que o projeto chama de "Hydrograph", com nós imutáveis, arestas tipadas e rastreamento temporal, apoiado por SQLite
- Posiciona-se em relação ao RAG comum e à busca vetorial: segundo sua própria documentação, ele "não é apenas RAG, nem apenas um banco de dados vetorial"
- Integra-se com Claude Desktop, GitHub Copilot, Codex, OpenCode, Gemini CLI, Cline e n8n, além de um servidor Model Context Protocol (MCP)
- Mais de 4.500 estrelas no GitHub no momento desta review
📍 Em uma frase
LongMemory é um motor de memória gratuito, de código aberto (Apache 2.0) e self-hosted criado pela CaviraOSS — publicado anteriormente como OpenMemory — que dá a agentes de IA e aplicações LLM memória duradoura, temporal e governada entre sessões, com mais de 4.500 estrelas no GitHub.
💬 Em termos simples
LongMemory é uma peça de infraestrutura que você mesmo executa e que lembra coisas para um agente de IA entre conversas — incluindo quando um fato era verdadeiro e quando ele mudou —, em vez de o agente esquecer tudo assim que uma conversa termina. Ele não executa seu próprio modelo de IA; armazena e recupera memória, e devolve o contexto ao provedor de LLM ou embeddings que você configurou.
📌Nota: Esta review se baseia no próprio repositório GitHub, README e documentação do LongMemory. Ela não afirma que a PromptQuorum realizou benchmarks práticos de sua precisão de recuperação ou desempenho em comparação com outras ferramentas de memória — verifique as afirmações específicas de desempenho diretamente na documentação do projeto antes de confiar nelas para uma decisão de produção.
O que é o LongMemory?
LongMemory é um motor de memória self-hosted que dá a agentes de IA e aplicações LLM lembrança duradoura e com percepção temporal entre sessões, em vez de ser um modelo, um motor de inferência ou um banco de dados vetorial simples. Segundo sua própria documentação, ele busca resolver um problema específico: a maioria dos sistemas LLM perde todo o contexto assim que uma sessão termina, e mesmo pipelines RAG construídos sobre um banco de dados vetorial normalmente não têm noção de quando um fato era verdadeiro ou se ele foi contestado desde então.
- Tipo de produto: um backend/biblioteca de memória self-hosted — não é um app de chat, não é um motor de inferência, não é um modelo
- Desenvolvedor: CaviraOSS, a organização do GitHub que publica e mantém o projeto
- Nomenclatura: este projeto atualmente se chama LongMemory; ele era publicado anteriormente sob o nome OpenMemory pela mesma organização, e seus pacotes (
longmemory,longmemory-sdk) refletem a versão renomeada — não confunda com projetos "OpenMemory" não relacionados e de nome semelhante de outras organizações - Licença: Apache 2.0 para o motor principal, confirmada pelo repositório GitHub; um pacote de integração de node comunitário do n8n separado é licenciado sob MIT, conforme as convenções de pacotes do npm/n8n
- Escala do repositório: mais de 4.500 estrelas no GitHub no momento desta review, com cerca de 390 commits em sua branch principal
Histórico do projeto: de OpenMemory a LongMemory
LongMemory lançou suas primeiras versões sob o nome OpenMemory, e depois foi renomeado para LongMemory pela mesma equipe da CaviraOSS, mantendo o mesmo histórico de repositório. Os marcos abaixo refletem o changelog e as notas de versão do projeto; as datas são as publicadas pelo projeto e devem ser reverificadas no GitHub caso você precise de um cronograma de lançamento exato para uma decisão de conformidade ou compra.
- 1v1.0.0 / suporte a MCP — primeira implementação do Model Context Protocol
Why it matters: Adicionou consultas filtradas por tags e metadados sobre o substrato em grafo do projeto e expôs a memória via MCP, o caminho de integração que depois conectou o LongMemory a ferramentas como o Claude Desktop. - 2v1.1.0 — suporte a bancos de dados vetoriais plugáveis
Why it matters: Adicionou o PostgreSQL como backend suportado ao lado do armazenamento padrão do projeto, dando a quem faz self-hosting mais controle sobre onde os dados de memória residem. - 3v1.1.1 — motor de compressão de memória e extensão do VS Code
Why it matters: Introduziu um sistema de compressão de memória com múltiplos algoritmos, além de uma extensão do VS Code e autenticação de API/limitação de taxa para implantações self-hosted. - 4v1.2.0 — interface web e nível de desempenho híbrido
Why it matters: Adicionou um painel web para inspecionar e gerenciar a memória armazenada, além de um modo de desempenho "HYBRID" que equilibra precisão e velocidade. - 5v1.2.1–v1.2.3 — revisão dos SDKs e filtragem temporal
Why it matters: Reescreveu os SDKs de Python e JavaScript para uso independente, adicionou filtragem baseada em tempo ("temporal") na recuperação de memória, e corrigiu problemas de caminho do servidor MCP que afetavam a integração com o Claude Desktop. - 6Beta v1.3.0 — classe Memory() sem necessidade de configuração
Why it matters: Simplificou a superfície da API com uma classe `Memory()` sem necessidade de configuração e uma suíte de benchmarks reescrita, segundo as próprias notas de versão do projeto — o marco mais recente que esta review conseguiu confirmar a partir do changelog público.
O que o LongMemory realmente faz?
LongMemory armazena o que seu agente de IA ou aplicativo aprendeu, rastreia quando cada fato era verdadeiro, e devolve apenas o contexto relevante e ainda válido quando solicitado — enquanto permanece sem estado do próprio lado do modelo.
- Raciocínio temporal — rastreia verdade em um ponto no tempo, ordem de eventos e substituição, de modo que um fato que era verdadeiro no mês passado mas mudou desde então não sobrescreva nem corrompa silenciosamente respostas atuais
- Múltiplos modos de recuperação — segundo sua documentação: a recuperação "strict" aplica verificações temporais, de contradição e de embasamento para fatos atuais; a recuperação "historical" recupera o que era verdadeiro durante um período passado específico; a recuperação "associative" segue sinais semânticos, lexicais e de grafo; a recuperação "world-grounded" exige evidência externa antes de devolver uma memória como fato
- Substrato Hydrograph — um modelo de armazenamento baseado em grafo com nós imutáveis, arestas tipadas e rastreamento temporal, persistido em SQLite, de modo que a memória recuperada é descrita como auditável e inalterada por recuperações posteriores
- Ativos de memória governados — o projeto descreve tipos de memória estruturados incluindo memória de projeto, memória de chat, "skills", um "LLM-Wiki" e um "CodeGraph", cada um com políticas de controle de acesso, segundo sua própria documentação
- Não é um motor de inferência — a própria documentação do LongMemory é explícita ao afirmar que "seu modelo permanece sem estado" e que o LongMemory em si não executa inferência; ele chama um provedor de embeddings que você configura (OpenAI, Google Gemini, AWS Bedrock, Ollama ou um modelo compatível com HTTP local) e devolve o contexto ao LLM que sua aplicação já usa
- Suporte multilíngue — inclui detecção de script e embeddings entre idiomas, segundo sua documentação, em vez de ser limitado ao inglês
- Portabilidade de sessão — pode importar históricos de conversa anteriores de ferramentas incluindo Claude Code, Codex, GitHub Copilot e Gemini CLI, de modo que conversas existentes não sejam perdidas ao adotar o LongMemory
- Servidor Model Context Protocol (MCP) — expõe operações de memória como ferramentas MCP, o caminho de integração usado pelo Claude Desktop e outros clientes compatíveis com MCP
Exemplos de uso: três formas de usar o LongMemory
Estes são fluxos de trabalho concretos construídos a partir dos recursos documentados do próprio LongMemory, não casos de uso hipotéticos.
Plataforma, preços e licenciamento
Plataforma
- O que o LongMemory declara:
- Self-hosted; implantável via Docker, ou executável diretamente como biblioteca Node.js/TypeScript, cliente HTTP em Python, ou CLI, segundo sua própria documentação.
Custo
- O que o LongMemory declara:
- Gratuito e de código aberto. Fazer self-hosting significa que seu único custo é sua própria infraestrutura mais o que o provedor de embeddings/LLM escolhido cobrar.
Licenciamento
- O que o LongMemory declara:
- Apache 2.0 para o motor principal; um pacote de node comunitário do n8n separado é MIT, conforme sua própria listagem de pacote.
Localidade dos dados
- O que o LongMemory declara:
- Posicionado como local-first e self-hosted, com persistência apoiada por SQLite e suporte opcional a PostgreSQL, segundo sua documentação.
Verifique o texto de licença atual diretamente no repositório GitHub antes de confiar nesta tabela para uma decisão jurídica ou de conformidade, já que arquivos de licença podem mudar entre versões.
Instalar o LongMemory
LongMemory se instala gratuitamente via npm, pip ou Docker, e seu código-fonte está no GitHub.
Source | Link |
|---|---|
| Repositório GitHub (código-fonte, Apache 2.0) | github.com/CaviraOSS/LongMemory |
| Biblioteca TypeScript/Node.js | npm install longmemory |
| CLI (instalação global) | npm install --global longmemory |
| Cliente HTTP em Python | pip install longmemory-sdk |
| Imagem Docker | docker run -p 7331:7331 ghcr.io/caviraoss/longmemory:latest |
O LongMemory requer um ambiente de execução self-hosted (Node.js, Python ou Docker) — não há versão em nuvem gerenciada nem instalador com interface gráfica. Sempre confira o README do GitHub para o caminho de instalação atualmente recomendado antes de executar qualquer comando, já que as instruções de instalação podem mudar entre versões.
LongMemory vs. um banco de dados vetorial simples
LongMemory e um banco de dados vetorial simples como Qdrant, Chroma ou Weaviate resolvem um problema relacionado, mas diferente: um banco de dados vetorial armazena e busca embeddings, enquanto o LongMemory adiciona raciocínio temporal, governança e tipos de memória específicos de agente sobre a recuperação.
Aspecto | LongMemory | Banco de dados vetorial simples |
|---|---|---|
| Função principal | Memória governada e temporal para agentes | Armazena e busca embeddings vetoriais |
| Percepção temporal | Rastreia quando fatos eram verdadeiros e foram substituídos | Não integrada; precisa ser adicionada pelo seu app |
| Tipos de memória | Projeto, chat, skills, wiki, grafo de código | Vetores/coleções genéricos |
| Executa seu próprio modelo | Não — chama seu provedor configurado | Não — igualmente, embeddings calculados fora |
| Integrações de agente | MCP, Claude Desktop, Copilot, Codex, n8n | Normalmente nenhuma integrada |
Se você só precisa armazenar e buscar semanticamente embeddings, um banco de dados vetorial simples é mais simples de operar. Se um agente precisa saber o que era verdadeiro e quando, e distinguir fatos atuais de fatos substituídos, o modelo temporal do LongMemory foi feito especificamente para isso, de uma forma que um banco de dados vetorial genérico não é por padrão.
Quem deveria usar o LongMemory?
LongMemory é indicado para desenvolvedores que constroem agentes ou aplicações LLM que precisam que a memória persista e permaneça precisa entre sessões, não apenas um índice de recuperação pontual.
Para que o LongMemory não é indicado
LongMemory não é uma boa escolha se você quer um serviço de memória totalmente gerenciado, um motor de inferência, ou uma busca vetorial simples e pronta para uso sem complexidade temporal.
- Não é um motor de inferência nem um servidor de modelos — ele não gera texto por conta própria; armazena e recupera memória em torno de um modelo ou provedor de embeddings que você configura separadamente
- Não é um serviço em nuvem gerenciado — é self-hosted, então você é responsável por executar e manter o ambiente de execução Node.js/Python/Docker e seu backend de armazenamento
- Não é a opção mais simples se você só precisa de recuperação básica de documentos, sem necessidade de rastrear como os fatos mudam ao longo do tempo — um framework RAG mais simples pode significar menos sobrecarga operacional
- Não foi avaliado de forma independente pela PromptQuorum quanto à precisão de recuperação ou latência — esta review se baseia na própria documentação do LongMemory, não em testes práticos
- Renomeado a partir do OpenMemory — tutoriais antigos, posts de blog ou referências de pacote sob o nome OpenMemory podem descrever uma versão anterior da mesma base de código; verifique com o repositório atual antes de confiar em guias de terceiros mais antigos
Erros comuns ao avaliar o LongMemory
A maior parte da confusão em torno do LongMemory vem de sua renomeação a partir do OpenMemory, ou de assumir que ele executa seu próprio modelo como faria um motor de inferência.
Concorrentes e alternativas
LongMemory é mais frequentemente comparado a outras ferramentas de framework RAG e memória self-hosted, já que ocupa o mesmo segmento de "infraestrutura de embeddings e recuperação". Complementar à própria entrada do LongMemory no Local LLM Software Directory.
Tool | Best known for | Link |
|---|---|---|
| Cognee | Motor de memória de IA e grafo de conhecimento de código aberto para apps e agentes LLM | Cognee Review |
| txtai | Framework de busca vetorial e RAG embutido, tudo em um | txtai Review |
| LlamaIndex | Framework de dados de propósito geral para construir aplicações RAG e de agentes | LlamaIndex Review |
| Haystack | Framework de RAG e pipeline de busca de código aberto da deepset | Haystack Review |
Esta lista reflete ferramentas no mesmo segmento de infraestrutura de embeddings/recuperação que o LongMemory, não um ranking independente da PromptQuorum — verifique o conjunto de recursos atual de cada ferramenta antes de escolher, já que o foco do LongMemory em memória temporal não é idêntico a um framework RAG geral ou banco de dados vetorial.
Perguntas frequentes
O que é o LongMemory?
LongMemory (github.com/CaviraOSS/LongMemory) é um motor de memória gratuito, de código aberto e self-hosted que dá a agentes de IA e aplicações LLM memória duradoura, temporal e governada entre sessões.
O LongMemory é o mesmo projeto que o OpenMemory?
Sim. O LongMemory era publicado anteriormente pela CaviraOSS sob o nome OpenMemory antes de ser renomeado. É o mesmo projeto e o mesmo histórico de repositório, não duas ferramentas separadas — mas note que projetos não relacionados de outras organizações também usam o nome "OpenMemory", então verifique se você está vendo especificamente o repositório da CaviraOSS.
O LongMemory é gratuito?
Sim. O motor principal é licenciado sob Apache 2.0 e self-hosted, então não há taxa de assinatura para o LongMemory em si. Seu único custo é sua própria infraestrutura de hospedagem mais o que o provedor de embeddings ou LLM escolhido cobrar.
O LongMemory executa seu próprio modelo de IA?
Não. LongMemory é um substrato de memória, não um motor de inferência. Ele armazena e recupera memória, e chama um provedor de embeddings/LLM que você configura — OpenAI, Google Gemini, AWS Bedrock, Ollama ou um modelo compatível com HTTP local.
Como instalo o LongMemory?
Via npm (npm install longmemory para a biblioteca, ou npm install --global longmemory para a CLI), via pip (pip install longmemory-sdk para o cliente HTTP em Python), ou via Docker (docker run -p 7331:7331 ghcr.io/caviraoss/longmemory:latest).
O que diferencia o LongMemory de um banco de dados vetorial?
Um banco de dados vetorial simples armazena e busca embeddings sem nenhuma noção de tempo. LongMemory adiciona raciocínio temporal (rastrear quando um fato era verdadeiro e se mudou desde então), tipos de memória governados e integrações específicas de agente sobre a recuperação.
Com quais ferramentas de IA o LongMemory se integra?
Segundo sua documentação: Claude Desktop, GitHub Copilot, Codex, OpenCode, Gemini CLI, Cline e n8n, além de qualquer cliente compatível com Model Context Protocol (MCP) por meio de seu servidor MCP.
Qual licença o LongMemory usa?
Apache 2.0 para o motor principal. Um pacote de integração de node comunitário do n8n separado é licenciado sob MIT, conforme sua própria listagem no registro comunitário do n8n.
O LongMemory suporta idiomas além do inglês?
Sim. Sua documentação descreve detecção de script e embeddings entre idiomas como parte de seu suporte multilíngue, em vez de ser limitado à memória em inglês.
A PromptQuorum testou de forma independente a precisão de recuperação do LongMemory?
Não. Esta review se baseia no próprio repositório GitHub, README e documentação do LongMemory, não em benchmarking prático feito pela PromptQuorum. Verifique as afirmações específicas de desempenho na própria documentação do projeto antes de uma decisão de produção.