Agent 记忆
前置：做过一个多轮对话的应用。知道每次请求都要把历史消息一起发给模型就够了。
本专题回答：什么该记、存成什么样、用户改口了怎么办、下次怎么把对的那几条取回来，以及什么情况下根本不该上这一层。
同一个用户，上周说过"我对花生过敏"，这周问"推荐个川菜馆"。会话结束时 messages 数组被丢掉，下一次请求里没有任何关于花生的字节 —— 模型不是忘了，是根本没收到。
记忆层就是补上这一段：从已经结束的会话里挑出值得留下的东西，存到会话之外，在下一次需要时放回上下文。本专题拆解这件事的四个动作 —— 挑什么、怎么存、怎么改、怎么取回 —— 以及它们各自会怎么坏。
先约定几个词，本专题全程使用：
| 词 | 意思 |
|---|---|
| 上下文（context） | 这一次请求真正发给模型的那串 token。它是易失的，请求结束就没了 |
| 记忆（memory） | 存在上下文之外、能跨会话活下来的东西。记忆本身不产生效果，只有被读回上下文才有效果 |
| 抽取（extraction） | 用一次额外的模型调用，从对话里挑出"值得记住的事实"。绝大多数 记忆库的写入路径第一步 |
| 情景 / 语义 / 程序记忆 | 记忆的三种分型：发生过什么、事实是什么、该怎么做。01 篇细讲 |
| 巩固（consolidation） | 新事实进来时，跟已有记忆比对、合并、改写或作废的过程。冲突消解发生在这里 |
| 双时间轴（bi-temporal） | 同时记录"事实在现实中何时成立"和"系统何时知道这件事"两条时间线。03 篇细讲 |
| 热路径 / 后台 | 记忆写入的两种时机：在用户等回复的这一轮里写（热路径），还是回复完再异步写（后台） |
| 记忆投毒 | 攻击者诱导 Agent 把伪造事实写进记忆，之后每一轮都被读回来。07 篇细讲 |
一、这一层要解决的六个问题
二、八篇正文
| # | 标题 | 读完能回答的问题 |
|---|---|---|
| 01 | 记忆与上下文的边界 | 上下文、记忆、RAG、检查点这四个词到底哪里不一样？我这个需求是不是根本不需要记忆层 |
| 02 | 写入路径：什么该被 记下来 | 一整段对话里，哪几句值得存？该在用户等回复的时候存还是回完再存？多花的这次模型调用要多少钱 |
| 03 | 冲突、遗忘与时间 | 用户上个月说住北京，这个月说住上海 —— 旧的那条该删吗？为什么直接删掉几乎总是错的 |
| 04 | 读取路径：向量、图与结构化 | 存了几千条，这一轮该取哪几条？为什么只按相似度取会漏掉最该取的那条？取回来放在提示词的哪个位置 |
| 05 | 文件系统式记忆 | 能不能干脆让模型自己写文件、自己读文件？这条路好在哪，又在哪里撑不住 |
| 06 | 开源实现横评 | 十五个现成的库该挑哪个？装起来各自要拖多少依赖、协议能不能商用、有哪四个坑是看 README 看不出来的 |
| 07 | 失败模式、评测与选型 | 记忆里被人塞了假事实会怎样？A 用户的记忆会不会串到 B 那里？各家宣传的评测分数能不能信 |
| 08 | 两个大厂实现拆解 | 字节和腾讯是怎么做的？用前七篇的框架逐条对一遍，看它们各自选了哪条路、共同留下了哪三处空白 |
只读两篇的话：02 篇（写入路径）和 07 篇（失败模式与评测）。前者决定你能记住什么，后者决定你能不能相信自己记住的东西。想直接看别人怎么做的，跳 08 篇。
三、榜单数字目前不可比
LoCoMo 是这个领域引用最多的基准。同一个系统在同一个基准上，公开材料里出现过四个分数，最低 58.44%、最高 84% —— 不是实现不同，是评测口径和配置方式不同。完整的争议链条在 07 篇第四节。
在读到那篇之前，先记住一条：看到"我们在 LoCoMo 上比 X 高 26%"这类表述，先问用的哪个子集、谁跑的 X、用的什么嵌入模型。2026 年的对照实验（MemDelta）显示，只换嵌入模型这一个变量就能让结论反向。
四、本专题拆解的对象
许可证一列不是照抄仓库首页的标签，而是逐个打开许可证文件读出来的 —— 这一栏和你能不能把它用在公司项目里直接相关，下面会看到好几处两者不一致。
4.1 十五个开源实现
按出身分两组 —— 大厂那一组的共同特点是把记忆做成团队级共享资产，独立项目那一组更多是给单个应用用的库。
大厂与云厂商
| 项目 | ★ | 许可证（实读） | 形态 |
|---|---|---|---|
volcengine/OpenViking | 33,440 | AGPL-3.0（crates/ov_cli 与 examples 为 Apache-2.0） | 字节跳动火山引擎。把记忆、资源、技能统一成 viking:// 虚拟文件系统，L0/L1/L2 三层按需加载，Rust ＋ Python |
TencentCloud/TencentDB-Agent-Memory | 24,556 | MIT（gh 返回 NOASSERTION，因文件开头有腾讯的声明段） | 腾讯云。团队级记忆中枢，L0 到 L3 四层 ＋ 权限绑定，TypeScript |
agentscope-ai/ReMe | 3,354 | Apache-2.0 | 阿里 AgentScope 团队。本地优先的 Markdown 记忆，reme-ai 0.4.1.7。原 modelscope/MemoryScope，改名迁仓后旧地址 301 跳转 |
独立项目
| 项目 | ★ | 许可证（实读） | 形态 |
|---|---|---|---|
mem0ai/mem0 | 64,075 | Apache-2.0 | 抽取式记忆层，向量库 ＋ 可选图库，mem0ai 2.0.19 |
getzep/graphiti | 30,319 | Apache-2.0 | 时序知识图引擎，Zep 的开源内核，graphiti-core 0.29.3 |
topoteretes/cognee | 30,268 | Apache-2.0 | 知识图 ＋ 向量的记忆平台，cognee 1.5.3 |
supermemoryai/supermemory | 29,074 | MIT | TypeScript，记忆 ＋ RAG ＋ 连接器一体 |
memvid/memvid | 16,448 | Apache-2.0 | Rust，单文件、免服务的记忆层 |
MemoriLabs/Memori | 16,224 | Apache-2.0（gh 同样判 NOASSERTION） | 记录 Agent 执行过程本身，而不只是对话 |
NevaMind-AI/memU | 14,347 | Apache-2.0（文件名是 LICENSE.txt） | 把记忆存成 Wiki 文件，挂到各家 Agent 客户端上 |
EverMind-AI/EverOS | 12,438 | Apache-2.0 | 本地优先、Markdown 原生、跨 Agent 可移植 |
MemTensor/MemOS | 10,996 | Apache-2.0 | 统一记忆 API，图结构可读可改 |
plastic-labs/honcho | 6,844 | AGPL-3.0 | 建仓最早（2023-09）。与 OpenViking 同为 AGPL，作为服务对外提供时有传染性，选型前先过法务 |
letta-ai/letta-code | 3,122 | Apache-2.0 | Letta（原 MemGPT）当前源码，git 版本化的记忆目录 |
langchain-ai/langmem | 1,626 | MIT | LangGraph 生态的记忆原语，PyPI 仍停在 0.0.30 |
横评在 06 篇，字节与腾讯两套单独拆在 08 篇。两处需要单独看：volcengine/OpenViking 和 plastic-labs/honcho 是仅有的两个 AGPL-3.0，而记忆层几乎总以服务形态部署，选之前要过法务；腾讯和 Memori 那两行 GitHub API 判不出许可证，是因为许可证文件开头加了自己的声明段，正文都是标准的 MIT / Apache-2.0。
4.2 一个官方工具接口
| 接口 | 标识 | 作用 |
|---|---|---|
| Anthropic memory 工具 | memory_20250818 | 客户端执行的文件式记忆，六个命令（view / create / str_replace / insert / delete / rename），作用在 /memories 前缀下 |
拆解在 05 篇。它不是一套规范 —— 只有 Anthropic 一家实现，但它代表了"记忆就是一堆文件"这条路线最干净的形态。
4.3 五篇论文
| 论文 | arXiv | 时间 | 在本专题里的角色 |
|---|---|---|---|
| Evaluating Very Long-Term Conversational Memory | 2402.17753 | 2024-02 | LoCoMo 数据集的出处，平均 300 轮、约 9K token、最多 35 个会话 |
| Zep: A Temporal Knowledge Graph Architecture | 2501.13956 | 2025-01 | 双时间轴建模的出处，DMR 上 94.8% 对 MemGPT 的 93.4% |
| Mem0: Building Production-Ready AI Agents | 2504.19413 | 2025-04 | 抽取 ＋ 巩固两阶段架构的出处 |
| MemMachine | 2604.04853 | 2026-04 | "少抽取、原样存整段"路线的代表 |
| MemDelta | 2606.29914 | 2026-06 | 单变量对照评测协议，07 篇争议一节的主要依据 |
五、与其他专题的关系
- Agent 安全 07 - 记忆与上下文外泄：那一篇讲记忆里的东西怎么泄出去，本专题 07 篇讲脏东西怎么写进来，两个方向合起来才是完整的记忆威胁面
- Agent 持久化执行：都在做"跨进程保管状态"，但保管的东西不同 —— 那一层存的是执行到哪一步，本层存的是学到了什么。01 篇第二节逐条对比
- Agent 可观测性 06 - 成本归因：记忆的写入是额外的模型调用，它在账单里通常被算进业务 Agent 头上，02 篇会给拆开的口径
- Agent 上下文工程：记忆读回来之后往哪儿放、占多少预算、会不会打掉前缀缓存，是那个专题的题目
← 回到 Agent Infra 板块总览