图解5种 Agent Memory 主流框架

Mem0（智能管理记忆）​

一、定位​

​

💙

Mem0 核心解决多会话、多 Agent、多客户端的用户记忆统一管理，是目前工程落地里常用的Memory Module 标准化实现方案，可无缝对接 Claude 工作流体系，和 Memobase、Letta 形成记忆层互补选型。​

​

​

​

​

Mem0的工作流程​

​

56%

​

​

​

Mem0的工作流程​

​

44%

​

​

二、核心架构三大记忆分层​

​

💡

用户画像记忆（Profile Memory） 自动从对话抽取用户偏好、业务要求、固定规则、历史约定，结构化存储；同用户任意 Agent 启动自动加载画像。​

会话时序记忆（Episodic Memory） 按时间线保存历史交互事件、任务过程、过往执行结果，支持按时间段、任务标签检索，对标 Memobase 时序库。​

语义常识记忆（Semantic Memory） 提炼跨会话通用结论、沉淀复用经验，自动去重、归纳，用于后续任务推理参考。​

​

​

底层：向量库 + 关系库混合存储，内置 LLM 自动摘要、记忆抽取、冗余淘汰，不用开发者自己写记忆解析逻辑。​

​

三、关键特性​

​

💡

跨平台统一记忆 一套记忆库对接 Claude、OpenAI、本地开源大模型、多 Agent 实例，同一个用户在不同工作流、不同智能体共用记忆，解决多 Agent 记忆孤岛。​

自动记忆蒸馏 对话结束后后台异步提炼关键信息入库，过滤闲聊无效内容，无需手动调用写入接口，类似 Memobase 梦境蒸馏机制。​

记忆粒度可控 支持手动增删改记忆、打标签、设定过期规则，适配工作流里迭代更新筛选标准、校验规范。​

API 轻量化接入 一行 SDK 接入，替换自研记忆模块，大幅缩短 Agent 工作流开发周期。​

​

四、工作流落地​

整体链路： 工作流 Agent → Letta 管控上下文 → 需要历史经验查 Mem0/Memobase → 需要外部资料调取 HippoRAG2。​

分类并执行：历史分类经验、用户需求特征存入 Mem0，分类器启动自动召回历史路由经验。​

扇出并综合：各子 Agent 临时上下文由 Letta 管理，汇总阶段从 Mem0 调取同类历史拆分方案辅助合并结果。​

对抗性验证：校验基准、历史错误案例存 Mem0，校验 Agent 统一调取标准做合规核验。​

生成并筛选：筛选规则、优质案例沉淀进 Mem0，批量生成时复用历史筛选逻辑。​

锦标赛：历次参赛方案、评审打分、最优结果入库，新任务优先参考历史优胜思路。​

循环直至完成：每轮迭代日志时序存入 Mem0，新一轮迭代读取过往记录，避免重复排查。​

五、适用场景​

AI 客服、个性化助理、SaaS 内嵌智能体、多端互通对话机器人、中小型 Agent 工作流快速落地。​

​

Memobase（突触记忆）​

​

💙

智能体的突触记忆存储层，主打用户画像 + 时序事件双架构记忆，依托 MCP 标准可原生对接 Claude 全系列模型，完美嵌入前文六种 Agent 工作流架构。​

​

​

​

一、核心架构与三大关键机制​

双层存储：画像记忆 + 时序事件记忆​

​

✅

•

结构化 Profile（画像库）：自定义记忆字段，固化筛选规则、分类标准、评审细则、用户偏好、Agent 固定配置，以树形分类存储（如业务规则/方案筛选标准），全量结构化可精准检索，替代零散文本存储；​

•

Timeline 时序事件库：按时间戳记录每轮任务执行日志、迭代过程、错误记录、锦标赛比拼结果，自带时间属性，可区分历史有效 / 失效信息，规避过时记忆干扰新任务。​

​

缓冲区 + 后台梦境蒸馏（Dream Phase）​

​

✅

​

向量 + 图谱混合召回​

​

✅

融合向量语义检索与轻量化知识图谱关联检索，既可以自然语言模糊查找历史内容，也能依托实体关联追溯跨任务的历史经验，检索时延普遍低于 80ms，兼顾语义泛化与精准事实召回MemoBase。​

​

MCP 原生通信协议​

​

✅

基于 Model Context Protocol 标准化对接，Claude、Cursor 等工具无需额外适配即可直连 Memobase，实现跨模型、跨 Agent 共享同一套记忆基准数据，解决多智能体记忆割裂问题。​

​

二、Memobase、Letta、HippoRAG2 三者分工（Memory Module 三层落地）​

Memobase：结构化私有长效记忆（规则 / 履历 / 画像） 存放工作流沉淀的筛选规则、分类阈值、历史评审打分标准、历次任务复盘、用户长期特征，属于 Agent 自身经验记忆；​

Letta：运行时状态管理 + 短时内存调度 管控上下文窗口、动态内存读写、运行时临时缓存，决策何时从 Memobase 拉取历史规则、何时向 Memobase 写入新经验，做记忆调度中枢；​

HippoRAG2：外部公共知识库（行业文档、原始资料） 全量业务文档、外部参考素材图谱化存储，属于公共知识，对抗验证、资料溯源时按需调取，不占用 Agent 私有记忆空间。​

​

Memory Module 顶层统一封装调用逻辑，向下调度三类存储，向上对接六大 Claude 工作流。​

​

三、对接 Claude 六大智能体工作流落地细则​

2.1

分类并执行​

历史任务分类案例、路由判别规则存入 Memobase 画像库；分类 Agent 启动时自动拉取过往分类经验，持续迭代优化路由精度，新分类结果同步回写入库。​

2.2

扇出并综合​

各并行子 Agent 短时上下文由 Letta 托管；汇总环节从 Memobase 调取同类历史拆解方案辅助结果融合，子任务执行履历时序归档至 Memobase。​

2.3

对抗性验证​

校验标准、合规条款、历史错例统一固化在 Memobase；校验 Agent 每次核验任务固定读取基准规则，校验后产生的错误样本自动入库，持续优化校验逻辑。​

2.4

生成并筛选​

筛选阈值、淘汰规则、优质样本存入 Memobase；批量生成内容后复用历史筛选标准，优质创意沉淀入库，扩充筛选参考样本。​

2.5

锦标赛​

各参赛 Agent 方案、评审打分记录、优胜结论按时序存入 Memobase；同类新任务启动时，直接调取过往优胜思路，减少重复试错。​

2.6

循环直至完成​

每轮迭代排查日志、错误记录、已解决问题时序存储，新循环优先读取 Memobase 历史排查记录，避免重复排查，达到终止条件后归档全流程总结。​

四、对比 Letta 核心差异​

​

​

五、落地适用场景​

企业业务智能工作流、知识库客服 Agent、方案决策类机器人、长周期迭代型项目智能体，适配需要持续沉淀业务规则、越迭代越智能的工程化 Agent 项目。​

​

Letta・Stateful Agent（有状态智能体）​

一、基础定义​

​

💙

•

Stateful Agents：有状态智能体，核心是跨轮次、跨会话持久留存记忆与运行状态，区别于原生 LLM 无状态特性（每次调用清空上下文、无历史留存）Letta。 ​

•

原生大模型天生无状态：知识只来源于模型权重 + 单次传入上下文窗口，对话结束、超出上下文即丢失全部交互信息；​

•

Letta（前身 MemGPT）是业内标杆级有状态智能体开发框架，通过分层内存架构实现 Agent 自主管理记忆、长期留存任务进度、用户信息与历史决策Letta。​

​

​

有无状态Agent架构对比​

​

二、Letta 实现有状态 Agent 的核心原理​

分层双内存架构（核心设计）​

​

✅

上下文内存（In-Context Memory）：常驻 LLM 上下文窗口，拆分 Persona（人设）、Human（用户信息） 等结构化记忆块，模型随时可见、直接参与推理Letta；​

外置持久内存（Out-of-Context DB Memory）：溢出上下文的历史对话、任务记录、工具调用日志全存入数据库永久落地，不会因上下文超限丢失数据Letta。​

​

​

关键：Agent 可调用内置工具自主增删、修改、检索自身记忆，不用外部代码手动管理存储，实现智能自主记忆演化Letta。​

​

全状态持久化​

​

✅

Agent 全量数据（系统提示词、记忆块、聊天记录、工具调用记录、中间推理结果）统一落库，重启、隔天接续对话不会丢失进度；客户端仅需推送最新单条用户消息，不用全量拼接历史上下文，大幅节省 token 开销Letta。​

​

​

​

3.2

自主状态迭代​

Agent 在交互中自主筛选关键信息归档长期记忆、淘汰无效内容，随使用持续沉淀用户偏好、任务经验，越用越适配业务，实现跨周期持续学习。​

三、无状态 vs 有状态 Agent 关键区别​

​

​

四、落地适用场景​

循环直至完成：长周期迭代任务，暂停重启可读取历史执行日志接续工作；​

扇出并综合：多子智能体并行结果持久保存，汇总阶段直接调取历史分片数据；​

对抗验证 / 锦标赛：留存历次评审记录、打分标准，后续对比复用历史校验规则；​

分类执行 / 生成筛选：沉淀历史分类规则、筛选标准，持续优化路由与筛选逻辑。​

五、极简 Python 调用示例（Letta-SDK）​

​

代码块​

Plain Text

from letta_client import Letta​

client = Letta(api_key="你的密钥")# 创建带结构化记忆块的有状态Agent​

agent = client.agents.create(​

memory_blocks=[{"label":"persona","value":"专业项目助理，记住用户所有项目需求"},{"label":"human","value":"空，自动存储用户信息"}])# 仅发送新消息，历史自动持久化​

res = client.agents.messages.create(agent_id=agent.id, message="帮我跟进上周文档整理任务")​

​

​

HippoRAG2：仿生海马记忆​

​

💙

HippoRAG2 是俄亥俄州立大学 ICML2025 发布、初代 HippoRAG 迭代升级版的开源检索增强框架，仿生人类大脑海马体记忆原理。​

解决传统向量 RAG、GraphRAG 通病：常规图谱 RAG 做多跳强、简单事实问答反而变差，标准向量 RAG 查事实稳、跨文档多跳关联推理乏力，是目前兼顾事实记忆、语义理解、联想推理三类能力的全能型 RAG 方案。​

​

​

HippoRAG2整体架构图​

​

一、底层设计逻辑：人脑双记忆模拟​

原始文档 = 大脑新皮层：存储完整段落原文（密集记忆，保留上下文细节）；​

自建开放知识图谱 = 海马索引：只存概念、实体、关系与关联链路（稀疏索引，负责跨文档联想跳转）。 框架全程非参数化，不用微调 LLM 权重，新增文档直接入库即可被检索调用，天然适配 Agent 持续记忆更新。​

二、核心升级（对比初代 HippoRAG）​

短语 + 段落双节点图谱（密集 - 稀疏融合）​

图谱内置两类节点，用contains包含边绑定：​

​

✅

•

短语节点：从原文抽取三元组（S-P-O），凝练概念、实体与关系；​

•

段落节点：挂载完整原文片段，补齐短语丢失的上下文； 额外新增同义边，同义词、别名自动连通跨文档节点，大幅提升召回覆盖面。​

​

查询→三元组深度匹配（摒弃旧版实体匹配）​

​

✅

初代 HippoRAG 只提取问句实体找节点；HippoRAG2 直接用查询语义匹配图谱完整三元组，精准命中关系逻辑（如「A 的外祖父是谁」直接匹配亲属关系三元组，而非只匹配 A 实体），从根源减少无关召回。​

​

LLM 在线识别记忆过滤​

​

✅

检索后先用大模型筛除无效、不相关三元组，模拟人脑「识别记忆」，剔除噪声再进入 PPR 图游走，压缩冗余检索量。​

​

三、两段运行流程：离线建库 + 在线检索​

① 离线索引构建​

LLM 批量解析文档，抽取开放域三元组，搭建无 Schema 开放 KG；​

嵌入模型识别同义词，补充同义关联边；​

所有原文段落生成段落节点，和对应短语节点通过包含边绑定，完成全量图谱落地。​

② 在线检索（PPR 个性化页面排名为核心）​

用户 Query→匹配图谱三元组，锁定初始种子节点；​

LLM 初筛，删掉无关三元组；​

PPR 算法在图谱上扩散游走，沿关联边多跳遍历全图，自动串联分散在不同文档的碎片化知识；​

根据 PPR 得分排序关联段落，打包原文送入 Claude 等大模型生成答案。​

​

关键优势：单次 PPR 即可完成多跳推理，不像传统 RAG 需要循环多次检索拼接，多跳场景算力成本比 GraphRAG 低约 12 倍。​

​

四、和主流 RAG 横向对比​

​

​

测评数据：联想类任务比顶尖向量 RAG 提升 7%，事实、语义理解全维度领先同代 GraphRAG、LightRAG。​

五、结合你前文两大技术落地（Claude 六大工作流 + Letta 有状态 Agent）​

4.1

搭配 Claude 六大智能体工作流落地​

扇出并综合：各子 Agent 分片知识库分别调用 HippoRAG2 检索，汇总阶段依托图谱关联自动串联分片知识；​

对抗性验证 / 锦标赛：校验 Agent、评审 Agent 统一调取同一套 HippoRAG 知识库，基准资料统一无偏差；​

循环直至完成：迭代排查任务时，HippoRAG 持续检索新增文档，Letta 持久化历次检索结果；​

分类并执行 / 生成筛选：分类规则、筛选标准存入图谱，后续任务自动关联历史规则知识库。​

4.2

搭配 Letta Stateful 有状态 Agent​

•

Letta 负责长期记忆分层存储（短时上下文 + 外置 DB），HippoRAG2 负责海量外部知识库关联检索；​

•

Agent 日常对话细碎信息存 Letta 记忆，专业外部文档、行业知识库全量入 HippoRAG2 图谱，实现「私人记忆 + 公共知识库」双引擎检索，完美落地仿生长期记忆智能体。​

六、适用落地场景​

行业知识库问答、长文档智库分析、多步骤法律 / 科研推理、企业全量文档智能助理、长周期项目 Agent 知识库。​

​

Memory Module（标准化记忆）​

一、定义​

​

💙

Memory Module 是 Agent 标准化记忆组件，负责统一管控智能体短时上下文、中长期历史信息、外部知识库索引，承接Letta 有状态持久化 + HippoRAG2 知识库检索。​

​

​

​

整套模块划分为三层经典存储架构（行业通用分层）：​

上下文记忆｜Short-term Memory（In-Context）​

​

✅

•

驻留 LLM 上下文窗口，实时存放本轮对话指令、即时工具返回、临时中间结果；​

•

容量受窗口长度限制，溢出内容自动下沉至中长期存储；​

•

对接：分类路由、扇出并行单次子任务临时数据。​

​

长效记忆｜Long-term Memory（DB 持久层，Letta 落地）​

​

✅

•

结构化存储：人设、用户画像、历史决策、历史筛选规则、过往评审标准；​

•

由 Agent 自主增删、检索、更新，跨会话、跨天重启不丢失；​

•

落地场景：锦标赛历史打分标准、循环迭代历史排查日志、生成筛选沉淀规则。​

​

外部知识库记忆｜External Memory（HippoRAG2 图谱 RAG）​

​

✅

•

非 Agent 私有记忆，企业 / 项目海量文档、行业资料以图谱 + 原文双结构入库；​

•

不存入 Agent 私有数据库，需要时由记忆模块发起检索调用 HippoRAG2；​

​

二、模块内置核心能力​

记忆分级路由：新信息自动判别层级，临时数据留在上下文，关键经验归档长效库，专业文档存入图谱库；​

召回调度：任务启动前根据任务类型，按需拉取历史规则 / 外部资料，不用全量加载全部记忆；​

记忆压缩 & 汰换：自动清理无效冗余信息，优化 token 占用，避免记忆无限膨胀；​

读写权限管控：不同子 Agent（生成 / 校验 / 评审）分配差异化记忆访问权限。​

三、和六种 Claude 工作流的组合落地​

分类并执行：记忆模块沉淀历史分类案例，优化分类器路由逻辑，越用分流越精准；​

扇出并综合：各并行子 Agent 独立使用短时记忆，汇总阶段统一从长效 / 外部库拉取分片数据；​

对抗性验证：校验智能体固定调取记忆中存档的评审规范与基准知识库；​

生成并筛选：筛选标准存入长效记忆，批量生成后复用历史筛选规则；​

锦标赛：历次比拼结果、优劣结论入库留存，后续同类型任务直接参考历史最优方案；​

循环直至完成：每轮迭代结果存入长效记忆，新循环读取过往排查记录，避免重复工作。​

四、三者联动关系（Memory Module + Letta + HippoRAG2）​

•

Letta：实现私有长效记忆底层存储；​

•

HippoRAG2：实现海量外部文档记忆图谱化检索；​

•

Memory Module：上层调度中枢，统一封装调用逻辑，对接各类工作流智能体。​