Agent Memory Techniques 完全指南：30种LLM Agent记忆技术从入门到生产的完整图谱

Agent Memory Techniques是一个专注 LLM Agent 记忆系统的开源教学仓库，用 30 个可运行的 Jupyter Notebook 教程，完整覆盖了从短期记忆（对话缓冲、滑动窗口、摘要记忆）、长期记忆（向量存储、知识图谱、情景/语义记忆）、认知架构，到 MemGPT/Letta、Mem0、Zep、Graphiti 四大记忆框架、LoCoMo 基准测试与生产级部署模式的全谱系内容。

为什么 LLM Agent 需要记忆

每个 AI Agent 最终都会撞上同一堵墙：它会遗忘。

大模型的上下文窗口有硬性上限（常见 4K 到 200K tokens），会话一结束，Agent 就丢失了全部信息——用户的偏好、上周讨论的方案，甚至对方的名字。没有记忆，Agent 无法跨对话保持连贯，无法从过往交互中学习，更谈不上个性化服务。

Agent Memory（智能体记忆）要解决的正是这个问题：让 Agent 跨轮次、跨会话、跨任务地保留信息，并在需要时把最相关的上下文召回、注入提示词。主流解法分为两类：

• 短期记忆：在当前上下文窗口内管理近期对话——截断、摘要、按 token 预算裁剪
• 长期记忆：把事实、经历、流程持久化到向量库或知识图谱，按需检索召回

💡记忆和 RAG 有什么区别？RAG 检索的是你预先提供的文档，Agent 记忆检索的是 Agent 自己在对话中积累的经验。生产系统通常两者并用：RAG 负责领域知识，记忆负责用户上下文。更多细节见 docs/FAQ.md。

六大技术家族：30种记忆技术的完整分类

项目将 30 种记忆技术划分为六大家族，每个家族解决一类特定的记忆难题：

每种技术都位于独立目录，包含一份讲解文档和一个可运行的 Notebook，全部在 all_techniques/ 下。

快速上手：三步安装并运行第一个教程

git clone https://gitcode.com/gh_mirrors/ag/Agent_Memory_Techniques cd Agent_Memory_Techniques pip install -r requirements.txt

然后在本地.env文件中配置OPENAI_API_KEY或ANTHROPIC_API_KEY，用 Jupyter 打开all_techniques/中对应目录即可。依赖清单见 requirements.txt，核心库包括langchain、chromadb、tiktoken、sentence-transformers、mem0ai、letta-client等。

家族一：短期记忆技术（01-05）

解决"当前这段对话越来越长"的问题，难度从简单到进阶递进：

建议从 01 Conversation Buffer 教程 开始——几乎每一种后续技术都是它的改进版。

家族二：长期记忆技术（06-11）

让知识跨越会话与用户存活下来：

📖 不熟悉 embedding（嵌入向量）、余弦相似度等概念？docs/glossary.md 是一份按字母序排列的口袋词典，零 ML 背景也能读懂。

家族三：认知架构（12-19）

借鉴人类记忆机制的 8 个进阶模式：

• 12 Working Memory & Context Window：把上下文窗口当稀缺资源，动态分配、置顶与驱逐
• 13 Hierarchical Memory Layers：热/温/冷三层存储，按访问频率自动升降级（类似 CPU 缓存）
• 14 Memory Consolidation：合并、去重、强化相关记忆，灵感来自睡眠中的记忆固化
• 15 Memory Compaction：用摘要与蒸馏压缩旧数据，省存储省 token
• 16 Self-Reflection Memory：Agent 复盘自身行为，写下"经验教训"指导下次
• 17 Memory Routing：按内容类型与意图，把读写路由到正确的存储
• 18 Temporal Memory：为记忆加时间戳，检索时让新信息权重更高
• 19 Forgetting & Decay：用衰减曲线主动遗忘，防止存储无限膨胀

家族四：检索与多Agent模式（20-23）

Agent 如何找到并共享记忆：

• 20 Memory Retrieval Patterns：系统对比语义检索、时效加权、混合打分、MMR 多样性与重排序五种策略
• 21 Cross-Session Memory：保存与加载 Agent 状态，用户下次回来可以"接着上次聊"
• 22 Multi-Agent Shared Memory：多个 Agent 共享存储、消息传递与共识协议
• 23 Memory with Tools：把记忆操作变成 Agent 可调用的工具（save / search / forget）

家族五：生产级记忆框架实战（24-27）

不想从零造轮子？直接上手四大主流记忆框架，每种都配了动手 Notebook：

• 24 Graphiti：从对话构建时间感知知识图谱，自动抽取片段与事实
• 25 Mem0：托管式记忆层，自动完成用户特定记忆的抽取、存储与获取
• 26 Letta (MemGPT)：core / archival / recall 三层记忆，Agent 通过函数调用自我编辑记忆，适合数千轮长程运行的 Agent
• 27 Zep：对话分类、实体抽取与时间感知图谱，面向生产环境

其中 26 Letta/MemGPT 教程 尤其值得细读：它用"操作系统虚拟内存"类比解释上下文窗口（相当于 RAM）如何与磁盘级存储配合分页，是 Agent 记忆领域最优雅的设计之一。

家族六：评估与生产部署（28-30）

测一测你的记忆，然后把它上线：

• 28 Memory Evaluation：度量检索精确率/召回率、记忆过时度、矛盾率与用户满意度
• 29 LoCoMo Benchmarks：用标准基准数据集压测你的记忆系统在长对话下的表现
• 30 Production Patterns：缓存、TTL、分片、备份、GDPR 合规与可观测性

如何选择合适的记忆技术：三步决策法

30 种技术看花了眼？按目标三步定位：

1. 只要管好当前对话→ 选 01-05，从 01 起步
2. 要跨会话记住用户→ 选 06 Vector Store 或 21 Cross-Session
3. 构建多存储认知架构→ 看 12-19
4. 直接用生产框架→ 24 Graphiti / 25 Mem0 / 26 Letta / 27 Zep
5. 上线前需要度量→ 28-30

需要更细的筛选维度时，docs/comparison.md 有一张覆盖全部 30 种技术的对比表（持久化、检索方式、token 成本、适用场景一表看全）；docs/architecture.md 则拆解了从"单向量库"到"完整认知架构"的 5 种经典架构模式，并给出选型建议。

四条学习路径：30-50小时系统掌握

官方 docs/learning_path.md 为每个路径标注了前置要求、单技术耗时估算与结业项目：

每个路径末尾都配一个结业项目——例如初级路径的"能记住老用户的命令行聊天机器人"，做完才算真正掌握。

项目结构与参考资料速查

写在最后

Agent Memory Techniques 是目前覆盖最全的 LLM Agent 记忆技术图谱之一：30 种技术、6 大家族、可运行 Notebook、4 条学习路径，从最简单的消息列表一路讲到生产级记忆系统。

建议路线：打开 01 Conversation Buffer 教程 跑通第一个 Notebook，再沿学习路径逐步推进——这是让 Agent 真正"记住你"的最快路径。