Agent 记忆5款开源框架（附落地架构选型）

​

🔔

在选框架之前，你要先搞清楚你的 Agent 需要哪种记忆。​

​

​

记忆类型标准已经趋于统一，分三种：​

​

​

​

​

​

54%

​

​

​

​

46%

​

​

① 情景记忆（Episodic Memory）​

​

🔔

•

具体发生过什么事——“用户上次说他不喜欢辣的”。​

•

存的是对话片段、交互历史、事件记录。​

​

② 语义记忆（Semantic Memory）​

​

🔔

•

用户是什么人——“这个用户是个素食主义者，在上海工作，喜欢健身”。​

•

存的是事实、偏好、用户画像，跨会话持久存在。​

​

③ 程序记忆（Procedural Memory）​

​

🔔

•

Agent 学会了什么——“每次用户问价格，先问他预算范围再推荐”。​

•

存的是行为规则、学到的工作流、反思后的策略。​

•

三种记忆叠加，才是一个真正"有脑子"的 Agent。​

​

5 款开源记忆框架​

框架一：Mem0 — 最成熟的生产级选择​

一句话定位：给 Agent 装一个自动去重、三层隔离的智能记忆层。​

架构特点：混合存储（Vector + Graph + KV）​

​

Mem0 的核心设计有三层记忆作用域：​

​

•

User 层：用户偏好、历史画像（跨所有会话持久）​

•

Session 层：当前对话上下文（会话级别）​

•

Agent 层：Agent 自身的知识（Agent 私有）​

​

🔔

最亮眼的是自编辑机制——当新事实与旧记忆冲突时，Mem0 自动更新旧记录而不是追加，保持记忆精简不冗余。​

​

代码接入极简：​

​

代码块​

Python

from mem0 import Memory​

​

m = Memory()​

​

存记忆​

m.add("我是素食主义者，不吃肉", user_id="alice")​

​

取记忆​

memories = m.search("用户饮食偏好", user_id="alice")​

print(memories)​

[{'memory': '用户是素食主义者，不吃肉', 'score': 0.95}]​

​

LongMemEval 基准：49.0%（时序推理场景有局限）​

​

🔔

适合谁：个性化推荐 Agent、客服 Agent、需要快速落地的团队。​

​

​

框架二：Zep / Graphiti — 时序推理最强​

​

一句话定位：把每条记忆都打上时间戳有效期，能推理"这个事实什么时候变了"。​

​

架构特点：时序知识图谱​

Zep 背后的核心引擎是 Graphiti，把每个事实存为知识图谱节点，并附带有效时间窗口：​

​

​

旧事实不删除，只是失效——历史记录完整保留，Agent 可以追溯"她什么时候改变偏好的"。​

LongMemEval 基准：63.8%——比 Mem0 高 15 个百分点，时序任务碾压级优势。​

检索延迟 P95 约 300ms，查询时不需要额外 LLM 调用（混合语义 + BM25 + 图遍历）。​

​

🔔

•

适合谁：金融风控 Agent、医疗 Agent、CRM 类需要追踪事实变化的场景。​

•

缺点：部署复杂度高于 Mem0；社区规模较小。​

​

​

框架三：Letta / MemGPT — OS 级记忆管理​

​

一句话定位：把操作系统 的分层内存管理思路搬到 Agent 上。​

​

​

​

架构特点：分层内存（OS-Inspired Tiered Memory）​

Letta 把记忆分成三层，模仿操作系统的内存层级：​

​

​

Agent 可以主动调用工具来读写记忆：​

•

core_memory_replace() — 修改核心记忆​

•

archival_memory_search() — 搜索归档知识​

•

archival_memory_insert() — 写入长期记忆​

这是跟其他框架最大的不同——Agent 自己知道自己在管理记忆，而不是框架在后台默默做。​

原生支持多 Agent 协作：多个 Agent 可以共享同一个记忆池。​

​

🔔

适合谁：需要长期自我进化的 Agent、研究型 Agent、需要多 Agent 协作的复杂系统。​

缺点：上手成本高；需要部署 Letta Server。​

​

​

框架四：A-MEM — NeurIPS 2025 论文级别的算法创新​

​

一句话定位：用"卡片笔记法（Zettelkasten）"组织 AI 记忆，让记忆之间自动建立关联网络。​

​

架构特点：动态笔记网络（Zettelkasten-Inspired）​

A-MEM 的灵感来自德国社会学家卢曼的卡片笔记法——每条记忆都是一张"知识卡片"，卡片之间自动建立关联链接。​

当 Agent 获得新记忆时，A-MEM 做三件事：​

​

🔔

构建笔记：提取关键概念、上下文、标签​

​

​

代码块​

Plain Text

from amem import AgenticMemorySystem​

​

memory = AgenticMemorySystem()​

​

存记忆（自动构建关联网络）​

memory.add("用户喜欢科幻小说，最近在读三体")​

​

搜索（返回关联记忆网络，不只是单条结果）​

results = memory.search("用户阅读偏好")​

​

被引用 412 次（arXiv），2025 年记忆领域引用量最高的论文之一。​

​

🔔

适合谁：知识密集型 Agent、学术研究助手、需要复杂推理关联的场景。​

缺点：工程化程度不如 Mem0/Letta；生产案例较少。​

​

​

框架五：MemOS — 最有野心的系统级方案​

​

一句话定位：不只是记忆框架，而是把"记忆"当成操作系统资源来统一调度。​

​

架构特点：三态记忆统一调度（MemCube）​

MemOS 是 2025 年最新提出的概念，核心论文于 2025 年 5 月发表。它把 LLM 的记忆分成三种形态，统一纳入一个调度系统：​

​

​

​

​

三态可以互相转化：​

•

高频访问的文本记忆 → 自动转为 KV-Cache（激活记忆）加速访问​

•

持续活跃的激活记忆 → 可调度为参数记忆永久固化​

调度器（MemScheduler） 根据访问频率、重要性、时效性自动管理三态之间的迁移。​

​

🔔

适合谁：做底层 LLM 系统的团队、研究记忆机制的学者、有定制化需求的大型 Agent 平台。​

缺点：工程成熟度最低，仍处于研究阶段。​

​

​

横向对比：一张表选型​

​

​

架构选型：怎么选？​

根据你的场景快速匹配：​

场景 1：快速上线，个性化推荐 / 客服 Agent → 选 Mem0。API 接入 3 行代码，有托管云，社区最大，文档最全。​

场景 2：金融、医疗、法律——需要追踪事实如何随时间变化 → 选 Zep / Graphiti。时序知识图谱是这个场景的唯一正解，63.8% LongMemEval 不是白来的。​

场景 3：长期运行、自我进化、多 Agent 协作的复杂系统 → 选 Letta。OS 级记忆调度 + 原生多 Agent 协作，适合有工程能力的团队。​

场景 4：研究型 Agent、知识关联推理 → 选 A-MEM。NeurIPS 2025 论文级算法，关联推理能力最强，适合学术 / 实验场景。​

场景 5：做 LLM 底层系统，有定制化需求 → 关注 MemOS。三态记忆调度是未来方向，现在跟进研究，未来在生产落地有先发优势。​

​

落地架构参考​

一个典型的 Agent 记忆系统落地架构：​

​

代码块​

Plain Text

用户输入​

↓​

[记忆检索层] ← Mem0 / Zep（语义检索 + 时序推理）​

↓​

[上下文构建] ← 将相关记忆注入 Prompt​

↓​

[LLM 推理] ← Claude / GPT-4o / Qwen​

↓​

[记忆写入层] ← 自动提取关键信息存入记忆​

↓​

[记忆存储] ← Vector DB（Qdrant/Chroma）+ Graph DB（Neo4j）​

​

推荐组合：​

​

快速场景：Mem0 托管云 + OpenAI API → 一周上线​

高精度场景：Zep + 自建 Neo4j → 两周上线​

长期进化场景：Letta Server + PostgreSQL → 一个月上线​

​

这 5 款框架，各有各的战场：​

​

•

Mem0 是现在最快的路​

•

Zep 是时序场景的最优解​

•

Letta 是长期复杂系统的基石​

•

A-MEM 是算法创新的前沿​

•

MemOS 是未来系统级方向的赌注​

你需要哪种记忆，你就选哪种框架。​

​