Agent Memory 模块综述：按记忆类型梳理代表性架构与 开源项目

Smartpig4167 曝光 · 31 收藏

大语言模型本身通常是无状态的。一次推理结束后，模型不会自然保留用户偏好、历史任务、失败经验或环境变化。虽然可以把聊天记录不断追加到上下文窗口中，但随着对话增长，这种方式会带来更高的 Token 成本、更长的响应延迟，以及越来越严重的信息噪声。

因此，Agent Memory 不能简单理解为“保存聊天记录”。一个完整的记忆系统通常包含记忆写入、信息抽取、冲突处理、存储、检索、重排、上下文注入、遗忘和权限治理等环节。

按照记忆所保存的信息和发挥的作用，Agent Memory 可以分为以下几类：

  1. 工作记忆（Working Memory）
  2. 情景记忆（Episodic Memory）
  3. 语义记忆（Semantic Memory）
  4. 程序性记忆（Procedural Memory）
  5. 时间与关系记忆（Temporal and Relational Memory）
  6. 共享记忆（Shared Memory）

实际系统往往同时包含多种记忆，而不是只属于其中一类。

一、工作记忆：保存当前任务和会话状态

工作记忆主要保存 Agent 当前正在处理的信息，例如：

  • 当前对话历史；
  • 任务执行到了哪一步；
  • 已调用过哪些工具；
  • 工具返回了什么结果；
  • 当前计划和中间推理结果；
  • 工作流中的临时变量；
  • 中断后恢复任务所需的状态。

工作记忆的生命周期通常较短，大多绑定在一个会话、线程或任务上。它解决的不是“几个月后还记得用户”，而是“下一轮推理时不要忘记上一轮发生了什么”。

1. LangGraph

GitHub：

https://github.com/langchain-ai/langgraph

LangGraph 是目前比较典型的有状态 Agent 编排框架。它将 Agent 表达为一个状态图，并通过 Checkpointer 保存线程内状态。

LangGraph 的记忆主要分为两部分：

  • Checkpointer：保存单个线程的短期状态；
  • Store：保存跨线程、跨会话的长期数据。

Checkpointer 适合保存消息历史、任务节点、中间输出和工具执行结果。当 Agent 因故障、人工审批或系统重启而中断时，可以从之前的 checkpoint 恢复。

因此，LangGraph 的优势不只是“记住聊天”，而是把记忆和可恢复工作流结合起来。

2. LlamaIndex Memory

GitHub：

https://github.com/run-llama/llama_index

LlamaIndex 的新 Memory API 将短期记忆组织为一个受 Token 预算限制的 FIFO 消息队列。

近期消息保留在工作记忆中。当消息超过预算时，较早的内容可以被转移到长期 Memory Block 中。

LlamaIndex 提供了三种代表性的 Memory Block：

  • StaticMemoryBlock：保存固定的核心信息；
  • FactExtractionMemoryBlock：从历史消息中抽取事实；
  • VectorMemoryBlock：把历史消息写入向量数据库并按相关性召回。

需要注意的是，LlamaIndex 的 Memory 与 Workflow Context 并不是同一个概念：

  • Memory 主要保存聊天消息和长期记忆；
  • Workflow Context 保存工作流执行状态和运行时变量。

复杂 Agent 通常需要同时使用两者。

3. Microsoft Agent Framework

GitHub：

https://github.com/microsoft/agent-framework

Microsoft Agent Framework 是 AutoGen 和 Semantic Kernel 的后继框架。它使用 Session 保存会话状态，并使用 Context Provider 在 Agent 调用前注入上下文、在调用后处理新的信息。

Context Provider 可以用来实现：

  • 对话历史记忆；
  • 用户画像注入；
  • 向量数据库检索；
  • 外部知识检索；
  • 执行结果持久化；
  • 基于历史交互的上下文更新。

Microsoft Agent Framework 更适合需要 Python、.NET、多 Agent 工作流、可恢复性和企业级可观测性的系统。

需要注意的是，AutoGen 当前已经进入维护模式。新项目一般应优先考虑 Microsoft Agent Framework。

AutoGen GitHub：

https://github.com/microsoft/autogen

二、情景记忆：保存 Agent 经历过的事件

情景记忆描述的是“过去发生了什么”，通常带有明确的时间、场景、参与者和结果。

例如：

  • 用户上周咨询过退款问题；
  • Agent 曾经调用某个接口，但因为权限不足而失败；
  • 某项任务使用方案 A 成功完成；
  • 用户在上一次会议中否决了某个方案；
  • Agent 曾经与另一个 Agent 协作完成数据分析。

情景记忆通常保存原始经历或经历摘要。它特别适合长期助手、游戏 NPC、客服 Agent 和能够从历史任务中学习的自主 Agent。

1. Generative Agents

GitHub：

https://github.com/joonspk-research/generative_agents

Generative Agents 是 Agent Memory 研究中非常有代表性的项目。它为每个 Agent 建立一个 Memory Stream，用于按时间保存 Agent 的观察、行为和经历。

在检索记忆时，系统综合考虑三个因素：

  • Recency：记忆距离当前时间有多近；
  • Relevance：记忆与当前情境有多相关；
  • Importance：记忆本身有多重要。

除了保存原始经历，Generative Agents 还会周期性地执行 Reflection，将多个低层次事件总结成更高层次的认识。

例如，系统可能从多次交互中总结出：

“某个角色似乎对社区活动非常积极。”

这种反思结果又会成为新的记忆，并影响后续计划和行为。

Generative Agents 更适合作为情景记忆、反思机制和虚拟角色设计的研究参考，而不是直接作为生产级记忆服务使用。

2. MemoryBank

GitHub：

https://github.com/zhongwanjun/MemoryBank-SiliconFriend

MemoryBank 面向长期对话和个性化陪伴场景。它将用户与模型之间的历史交互保存为记忆，并引入类似艾宾浩斯遗忘曲线的机制。

其主要思想包括：

  • 根据时间衰减记忆；
  • 根据重要性决定记忆保留程度；
  • 通过重复访问强化记忆；
  • 从历史交互中总结用户性格和偏好。

MemoryBank 的价值主要在于展示“遗忘”和“强化”如何进入 Agent Memory，而不是让记忆无限增长。

3. Mem0

GitHub：

https://github.com/mem0ai/mem0

Mem0 是一个可以接入现有 Agent 的长期记忆层。它可以从用户与 Agent 的交互中抽取值得保存的信息，并按照用户、会话和 Agent 等作用域组织记忆。

Mem0 特别适合保存：

  • 用户过去提出的问题；
  • 历史服务记录；
  • 用户与 Agent 共同完成的任务；
  • Agent 已经确认执行的操作；
  • 对未来交互有帮助的历史事件。

相比直接保存全部聊天记录，Mem0 更强调从对话中抽取高价值记忆，再在后续会话中按相关性召回。

需要注意的是，Mem0 开源版与托管平台的功能并不完全相同。当前开源版本没有可独立查询的 Graph Memory，因此不能直接把托管平台的所有能力和评测结果视为开源版能力。

三、语义记忆：保存事实、概念和用户画像

语义记忆保存的是已经从具体经历中抽取出来的稳定知识。

例如：

  • 用户喜欢简洁的回答；
  • 用户使用 Python 开发；
  • 项目数据库是 PostgreSQL；
  • 公司规定所有生产变更都需要代码审查；
  • 某个 API 使用 OAuth 2.0；
  • 张三是项目负责人。

情景记忆强调“什么时候发生了什么”，语义记忆强调“我们现在知道什么”。

语义记忆通常以结构化字段、JSON 文档、向量、实体或知识图谱节点的形式保存。

1. Mem0

Mem0 是用户偏好和事实记忆中最典型的工程项目之一。

它可以把原始对话：

“我之后的代码示例尽量用 Python，不要用 Java。”

转换为更稳定的语义记忆：

“用户偏好 Python 代码示例，不希望使用 Java。”

后续会话不需要重新加载全部历史，只需要检索这条偏好并注入模型上下文。

这种方式特别适合：

  • 个性化助手；
  • 客服系统；
  • 教育 Agent；
  • 医疗或健康助手中的非诊断性偏好；
  • 游戏角色和长期陪伴 Agent。

2. LangMem

GitHub：

https://github.com/langchain-ai/langmem

LangMem 是 LangChain 生态中专门面向长期记忆和 Agent 学习的组件。

它支持两种主要记忆写入方式：

  • Hot Path：Agent 在当前交互中主动调用工具写入或搜索记忆；
  • Background Path：后台任务从历史对话中抽取、合并和更新记忆。

LangMem 可以从对话中提取事实、用户偏好和长期知识，并保存到 LangGraph Store 或其他存储系统中。

它的优势是可以把记忆管理与 LangGraph 工作流结合起来，同时允许应用自行设计数据结构、命名空间和存储后端。

3. LlamaIndex FactExtractionMemoryBlock

LlamaIndex 的 FactExtractionMemoryBlock 会接收从短期记忆中移出的旧消息，并从中抽取长期事实。

例如，它可以把多轮对话压缩为：

  • 用户居住在上海；
  • 用户从事数据工程；
  • 用户喜欢使用开源模型；
  • 当前项目使用 Milvus。

与直接保存原始对话相比，事实记忆更加紧凑，但也会引入抽取错误和事实冲突。因此，生产系统最好同时保存事实来源和原始证据。

四、程序性记忆：保存方法、策略和经验

程序性记忆描述的是“怎样完成某类任务”，而不是“某件事是什么”。

它通常包括：

  • 某类任务的最佳执行步骤；
  • 已验证有效的工具调用顺序；
  • 常见错误及其解决方案；
  • 失败方案和失败原因；
  • Agent 的提示词或行为规则；
  • 可复用的代码、脚本和技能；
  • 来自用户反馈的策略改进。

程序性记忆能够让 Agent 从过去的执行经验中学习，避免每次任务都从零开始。

1. LangMem

LangMem 不仅可以保存用户事实，还支持程序性记忆，例如根据历史交互和反馈改进 Agent 的系统提示词。

如果用户多次指出：

“回答太长，希望先给结论。”

系统可以把这种反馈整合到 Agent 的长期行为规则中，而不是仅仅保存为一条普通聊天记录。

因此，LangMem 既可以管理语义记忆，也可以管理 Agent 的行为策略和提示词记忆。

2. Letta

GitHub：

https://github.com/letta-ai/letta-code

项目入口：

https://github.com/letta-ai/letta

Letta，原名 MemGPT，是 Agent Memory 领域最具代表性的项目之一。

Letta 将有限的上下文窗口类比为计算机主存，将外部长期记忆类比为可分页存储。Agent 可以主动执行记忆搜索、写入、编辑和重组。

Letta 的特点是：记忆不是模型调用之前固定执行的一次检索，而是 Agent 自己可以操作的资源。

Agent 可以维护：

  • 核心身份信息；
  • 用户长期偏好；
  • 历史对话；
  • 外部归档记忆；
  • 任务经验；
  • 技能和提示词；
  • 长期运行过程中形成的自我认识。

这种模式适合：

  • 长期运行的个人 Agent；
  • 持续维护项目的编程 Agent；
  • 具有稳定身份的虚拟角色；
  • 能够主动学习和调整自身策略的 Agent。

Letta 的代价是系统较重。它更像一套有记忆的 Agent Runtime，而不是一个简单的记忆 SDK。

另外，旧的 letta GitHub 仓库现在主要是项目入口，当前实现位于 letta-ai/letta-code。

3. A-MEM

GitHub：

https://github.com/agiresearch/A-mem

论文复现代码：

https://github.com/WujiangXu/AgenticMemory

A-MEM 受到卡片盒笔记法，也就是 Zettelkasten 的启发。

每条新记忆都会被整理成带有以下信息的记忆卡片：

  • 内容；
  • 上下文描述；
  • 关键词；
  • 标签；
  • 与已有记忆的链接；
  • 可随新信息变化的结构化属性。

系统不会只把记忆作为相互独立的向量，而是让记忆之间逐渐形成动态网络。

A-MEM 适合研究：

  • 经验之间如何建立关联；
  • 新记忆如何改变旧记忆；
  • Agent 如何主动组织长期知识；
  • 程序性经验如何逐渐形成可复用结构。

它目前更适合作为研究型实现和算法原型。

五、时间与关系记忆：保存会变化的实体和关系

很多真实世界的事实并不是永久不变的。

例如：

  • 张三原来属于销售部，现在属于产品部；
  • 某个客户以前使用基础套餐，现在升级为企业套餐；
  • 某项目负责人在 5 月发生了变化；
  • 某项政策只在特定时间段有效；
  • 用户过去住在北京，现在住在杭州。

普通向量检索可能同时召回新旧事实，却无法准确判断哪个事实当前有效。时间与关系记忆的目标就是解决这一问题。

1. Graphiti

GitHub：

https://github.com/getzep/graphiti

Graphiti 是一个面向 Agent 的时间上下文图引擎。它将记忆组织成实体、关系和事件，并记录事实的时间范围和来源。

Graphiti 的主要能力包括：

  • 增量写入新的事件和事实；
  • 保存实体之间的关系；
  • 追踪事实随时间发生的变化；
  • 保留来源和历史记录；
  • 支持关键词、向量和图关系的混合检索；
  • 支持历史时间点查询和多跳关系检索。

Graphiti 特别适合：

  • CRM 和客户关系系统；
  • 企业组织关系；
  • 用户生命周期管理；
  • 项目成员和权限变化；
  • 供应链和资产关系；
  • 需要回答“某个时间点是什么状态”的 Agent。

Graphiti 与 Zep 需要区分：

  • Graphiti 是开源的时间图引擎；
  • Zep 是建立在相关技术上的托管生产基础设施。

使用 Graphiti 时，通常需要自行准备图数据库，并实现用户、线程、权限和多租户管理。

2. Cognee

GitHub：

https://github.com/topoteretes/cognee

Cognee 将文档、文本和结构化数据转换为向量与知识图谱，为 Agent 提供持久化知识记忆。

其典型流程可以概括为：

add → cognify → memify → search

Cognee 不只保存某个用户的聊天记录，而是希望建立可以被多个 Agent 使用的知识基础设施。

它适合：

  • 企业内部知识库；
  • 跨文档实体关联；
  • 多数据源知识整合；
  • 共享团队知识；
  • GraphRAG；
  • 需要自托管的企业 Agent。

相比简单向量记忆，Cognee 能够表达实体之间的关系。但它也更重，需要考虑数据摄取、图构建、实体消歧、本体设计和存储运维。

3. HippoRAG

GitHub：

https://github.com/OSU-NLP-Group/HippoRAG

HippoRAG 是一种受人类长期记忆机制启发的检索框架。它将知识图谱、向量检索和 Personalized PageRank 等方法结合起来，强调跨文档关联和多跳检索。

HippoRAG 更适合解决：

  • 一个答案分散在多个文档中的问题；
  • 多跳事实推理；
  • 大规模知识关联；
  • 非参数持续学习；
  • 长期知识库中的关联召回。

HippoRAG 更接近“知识型长期记忆”，而不是用户聊天记忆。它适合作为文档 Agent、研究 Agent 和复杂 RAG 系统的记忆基础。

六、共享记忆：让多个 Agent 使用同一知识空间

在多 Agent 系统中，不同 Agent 往往需要共享一部分知识和任务状态。

例如：

  • 研究 Agent 找到的资料需要交给写作 Agent；
  • 编程 Agent 发现的错误原因需要被测试 Agent 使用；
  • 客服 Agent 需要共享同一个客户画像；
  • 多个 Agent 需要共同维护项目计划；
  • 一个 Agent 学到的经验需要被其他 Agent 复用。

共享记忆必须解决以下问题：

  • 哪些记忆属于单个 Agent；
  • 哪些记忆属于用户；
  • 哪些记忆属于团队；
  • 哪些记忆可以跨 Agent 读取；
  • 多个 Agent 同时更新时如何处理冲突；
  • 如何追踪是谁写入了某条记忆。

1. LangGraph Store

LangGraph Store 使用 namespace 和 key 保存跨线程数据。

可以按照以下方式划分作用域：

  • user/{user_id}：用户级记忆；
  • agent/{agent_id}：Agent 私有记忆；
  • team/{team_id}：团队共享记忆；
  • project/{project_id}：项目知识；
  • organization/{org_id}：组织级知识。

这种设计灵活，适合需要精细控制记忆范围的多 Agent 系统。

2. Cognee

Cognee 适合作为多个 Agent 共享的知识图谱。不同 Agent 可以把文档、事实和关系写入统一知识空间，再按照数据集、用户或租户进行隔离。

它更适合共享企业知识，而不是单个 Agent 的临时工作状态。

3. CrewAI

GitHub：

https://github.com/crewAIInc/crewAI

CrewAI 是一个角色化多 Agent 编排框架，提供 memory、knowledge、checkpointing 等能力。

它适合让多个角色 Agent 围绕同一个任务协作，例如：

  • 研究员负责收集信息；
  • 分析师负责形成结论；
  • 写作 Agent 负责生成报告；
  • 审核 Agent 负责检查输出。

CrewAI 的内置记忆适合快速构建多 Agent 工作流。如果系统需要复杂的时间版本、跨系统共享、精细权限或记忆冲突处理，通常仍需要接入 Mem0、Graphiti、Cognee 或自定义存储。

七、不同记忆类型与代表项目对照

https://github.com/microsoft/autogen

八、如何选择 Agent Memory 模块

如果只是需要让聊天机器人记住用户偏好，可以优先考虑：

  • Mem0；
  • LangMem；
  • LlamaIndex FactExtractionMemoryBlock。

如果需要保存当前任务状态并支持中断恢复，可以考虑：

  • LangGraph Checkpointer；
  • Microsoft Agent Framework Session；
  • LlamaIndex Workflow Context。

如果需要长期运行、维护身份并主动管理自身记忆，可以考虑：

  • Letta。

如果数据中的事实会随时间变化，或者需要查询历史状态，可以考虑：

  • Graphiti；
  • Zep。

如果记忆主要来自企业文档，并且需要跨文档和实体关系检索，可以考虑：

  • Cognee；
  • HippoRAG；
  • LlamaIndex。

如果需要多个 Agent 共享记忆，可以考虑：

  • LangGraph Store；
  • Cognee；
  • CrewAI；
  • Microsoft Agent Framework。

实际项目中也可以组合使用。例如：

  • LangGraph Checkpointer 保存当前任务状态；
  • Mem0 保存用户偏好；
  • Graphiti 保存带时间版本的实体关系；
  • Cognee 保存企业知识；
  • 对象存储保存原始对话和证据；
  • 统一检索层负责对不同来源的记忆进行重排。

九、Agent Memory 落地时需要注意的问题

1. 不要保存所有内容

工具日志、模型猜测、用户明确陈述和系统确认结果的可信度不同。写入记忆前应该先分类，并保存来源、时间、主体和置信度。

2. 记忆必须支持更新和删除

如果系统只有 add 和 search，记忆库最终一定会出现大量过期和矛盾信息。

一个完整的记忆接口至少应该支持：

  • Add；
  • Search；
  • Update；
  • Delete；
  • Invalidate；
  • Audit。

3. 工作流状态和长期记忆要分开

“任务执行到第几步”属于工作流状态。

“用户喜欢简洁回答”属于长期记忆。

两者的生命周期、读取权限和删除方式不同，不应该全部保存在同一张表中。

4. 必须处理记忆冲突

例如，记忆库中可能同时存在：

  • 用户住在北京；
  • 用户住在上海。

系统需要判断这是事实更新、时间变化，还是抽取错误。常见处理方式包括：

  • 保存事实有效时间；
  • 新事实覆盖旧事实；
  • 保留多个版本；
  • 标记冲突等待确认；
  • 根据来源可信度排序。

5. 记忆是新的安全边界

恶意内容一旦进入长期记忆，可能在未来多次被召回，形成持续性的记忆投毒。

生产系统应该实现：

  • 写入内容过滤；
  • Prompt Injection 检测；
  • 用户和租户隔离；
  • 读取权限控制；
  • 敏感信息识别；
  • 记忆来源展示；
  • 删除和审计日志。

6. 需要使用真实业务数据评测

不能只测试“能不能存进去”和“能不能搜出来”。

至少应该评测：

  • 记忆写入准确率；
  • 有效记忆召回率；
  • 错误记忆注入率；
  • 冲突处理准确率；
  • 时间一致性；
  • 最终回答质量提升；
  • 端到端延迟；
  • Token 和模型调用成本；
  • 删除后是否还能被召回；
  • 多租户数据是否会串用。

十、总结

Agent Memory 的本质不是简单地给大语言模型连接一个数据库，而是建立一套能够选择、抽取、保存、更新、检索、遗忘和治理长期上下文的系统。

从记忆类型来看：

  • 工作记忆让 Agent 知道当前任务进行到哪里；
  • 情景记忆让 Agent 知道过去发生过什么；
  • 语义记忆让 Agent 掌握稳定事实和用户偏好；
  • 程序性记忆让 Agent 复用过去形成的方法和经验；
  • 时间与关系记忆让 Agent 理解事实如何变化；
  • 共享记忆让多个 Agent 在同一知识空间中协作。

如果目标是快速实现个性化，可以从 Mem0 或 LangMem 开始；如果需要可恢复的有状态工作流，可以选择 LangGraph；如果需要长期自主 Agent，可以研究 Letta；如果事实具有明显的时间和关系结构，可以选择 Graphiti；如果重点是企业知识和跨文档关联，可以考虑 Cognee、LlamaIndex 或 HippoRAG。

真正决定 Agent Memory 效果的，通常不是使用了哪一种数据库，而是系统如何判断什么值得记住、如何处理矛盾和过期信息、如何检索真正相关的记忆，以及如何持续评测记忆对最终任务的帮助。