Agent记忆架构从入门到精通：10种方案全解析，收藏这篇就够了！

关注

原创最新推荐文章于 2026-05-08 11:14:22 发布 507 阅读 AI 写同款· GEO 优化 ›

架构简析| 一种Generative Agents 斯坦福《Generative Agents: Interactive Simulacra of Human Behavior》论文解读。阅读详情

继续看Agent记忆进展，看10种Agent记忆方案对比总结，可以借此机会，看看这些记忆系统在设计的时候都有哪些组件，有哪些优化策略，以及有哪些经验。【我们已经陆陆续续讲了多个了，也有一些综述，但拉到一个框架上，做抽象的回顾，其实也蛮有必要】

说实话，Memory怎么构成，还是要看Agent怎么用，单独的扯出来评估，其实还是没什么太大的用处的，得看agent怎么用，也取决于整个系统设计以及使用的llm有多聪明。但是呢，做论文，得控制变量，分析各个模块和策略，拉到一个平面上去比，才能写出论文。当然，其实还有很多，比如memu、evermemOS等等，特别多的，都很同质化，有的越搞越复杂，但搞得跟langchain一样，会最终变成代码shit mountain，并不总是好事儿。一种感觉就是，记忆单独做系统，其实不是太成立，它还是要跟着具体业务问题走的，比如这些，很多都是最后拓展成为rag【很多都是】、deepresearch、deepsearch、agent平台这种去做，其实在某种程度上已经做了某种偏离。

不过，最下限的，对于了解有哪些策略，实现机理倒是可以的，有意义的。

一、10种Agent记忆方案概览

记忆本质就是对朴素上下文的一个精细化雕琢增强：

继续看Agent记忆这块的内容，拉到一个框架下做对比，将现有10种代表性LLM智能体记忆方法（A-MEM、MemoryBank、MemGPT、Mem0/0ᵍ、MemoChat、Zep、MemTree、MemoryOS、MemOS） 一起做个对比。

先给个地址：

1、A-MEM ，https://arxiv.org/abs/2502.12110，https://github.com/WujiangXu/AgenticMemory，主要思路是通过动态索引和链接来创建相互关联的知识网络。当添加新记忆时，会生成包含多个结构化属性（包括上下文描述、关键词和标签）的综合笔记。

2、MemoryBank ，https://arxiv.org/abs/2305.10250，https://github.com/zhongwanjun/MemoryBank-SiliconFriend，主要思路是融入了受艾宾浩斯遗忘曲线理论启发的记忆更新机制，该机制允许人工智能根据时间流逝和记忆的相对重要性来遗忘或强化记忆。

3、MemGPT ，https://arxiv.org/abs/2310.08560，https://github.com/letta-ai/letta，主要特点是来源于传统操作系统中的分层存储系统，扩展大型语言模型有限上下文窗口内的上下文，并利用中断机制来管理其与用户之间的控制流。

4-5、Mem0 / Mem0 ，https://arxiv.org/abs/2504.19413，https://github.com/mem0ai/mem0，主要特点是个性化，通过动态地从正在进行的对话中提取、整合和检索信息。

6、MemoChat ，https://arxiv.org/abs/2308.08239，https://github.com/LuJunru/MemoChat，主要特点是通过迭代的“记忆-检索-回复”循环来优化长程开放域对话，让大模型利用结构化备忘录来记忆和检索过去的对话，从而在参与未来的对话时提高一致性。

7、Zep (Graphiti) ，https://arxiv.org/abs/2501.13956，https://github.com/getzep/graphiti，特色是做时间感知能力的知识图谱引擎，动态地综合非结构化对话数据和结构化业务数据，同时保持历史关系，引入图谱做，也就是graphrag的变体。

8、MemTree ，https://arxiv.org/abs/2410.14052，没有官方实现，主要差异性是利用动态树状记忆表示来优化信息组织、检索和整合，以层级方式组织记忆，每个节点封装了聚合的文本内容、相应的语义嵌入以及跨越树深度的不同抽象层级，通过计算和比较新旧信息的语义嵌入来动态调整这种记忆。

9、MemoryOS，https://arxiv.org/abs/2506.06326，https://github.com/BAI-LAB/MemoryOS，上升到操作系统层，特点是分层存储架构，由四个关键模块组成：记忆存储、更新、检索和生成，包含三个层级的存储单元：短期记忆、中期记忆和长期个人记忆，关键操作包括存储单元之间的动态更新：短期到中期的更新遵循基于对话链的先进先出原则，而中期到长期的更新则采用分段页面组织策略。

10、MemOS，https://arxiv.org/abs/2507.03724，https://github.com/MemTensor/MemOS，这个很抽象，将记忆视为可管理系统资源的记忆操作系统，搞了一整套的复杂的抽象组件【看的有点麻】

然后，这些其实，可以细分拆解为信息提取、记忆管理、记忆存储、信息检索四大核心组件，做不同方法的系统化抽象和差异对比，先看个大的点：

二、10种Agent记忆方案对比总结

对应的工作在《Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework》，https://arxiv.org/pdf/2604.01707，可以看6个核心点，对应的评测框架在https://github.com/Yanchen398/Memory-in-the-LLM-Era。

首先是一个典型的Agent记忆系统的构成：

1、信息提取（Information Extraction）策略

从交互消息中筛选、提取用于更新记忆的有效信息，过滤冗余细节，核心有3种实现方式：

直接归档，这是最朴素方式，统仅对原始消息和时间戳进行归档，不进行任何处理，如MemoryBank、MemGPT）；

摘要式提取，利用大模型从一个或多个对话轮次中生成简洁的信息摘要。记忆方法如A-MEM和Mem0提取关键词和上下文标签，或提示大模型生成原始文本的抽象摘要，这个其实很多都是prompt提示的机制：

图式提取，这里的逻辑是通过LLM提取细粒度的实体和关系，形成用于知识图谱构建的主语–谓语–宾语三元组，结合时间元数据构建知识图，保留结构化关联（如Mem0ᵍ、Zep）】，这个也是靠prompt做：

2、记忆管理（Memory Management）策略

可以对现有的记忆系统做个各个维度的比对，如下：

五大操作，可以做个列举：

其一，关联相关经验，在具有语义相似度、时间接近性或上下文相关性的记忆条目之间建立显式连接，通过图中的结构边或离散记录间的关联链接实现，如A-MEM和 MemoryOS等记忆方法利用基于语义相似度或连续性的关联链接，Zep和 Mem0𝑔 专注于连接单个回合或实体结点。

其二，整合碎片化记忆，逻辑是对分散的记忆进行抽象/摘要，减少冗余（MemoryBank将重复的日常记录聚合为事件摘要，并随着经验积累不断优化全局用户画像，MemoChat将相关对话按共享主题分组，并生成主题级别的摘要）；

其三，跨记忆层级转换，目的是将短期记忆迁移为长期记忆，如MemoryOS的FIFO短期→中期+热度评分中期→长期、Zep的语义社区形成。

具体的，MemoryOS实现两阶段迁移策略：短期记忆首先按照先进先出（FIFO）策略迁移到中期存储，随后中期记忆通过基于热度的得分被提升至长期存储，该得分综合考虑访问频率和最近性。

其四，更新现有记忆，主要分3种范式，根据预定义规则对现有记忆进行更新（MemoryBank采用艾宾浩斯遗忘曲线理论来随时间调整记忆强度。在MemoryOS 中，新记忆根据语义和关键词相似性被整合到现有结构中）、LLM驱动（通过提示大型语言模型来总结、合并或解决条目之间的冲突。

例如，MemTree通过语言模型执行专门的聚合操作来更新其记忆，其中提示内容和子节点数量引导语言模型在将新内容写回父结点前，适当压缩并泛化信息），以及智能体驱动（智能体自主决定应用何种操作（如修改、合并、修剪），如MemGPT的自主工具调用）。

其五，过滤无效信息，实现上移除/降权过时/冗余记忆，分基于使用的策略（MemoryOS的访问频率+时间衰减，依赖于访问频率和时间衰减。创建时间久远且很少被检索的记忆会优先被过滤）；基于内容的策略（Mem0的语义相似度去重，通过分析语义相似度，并利用大模型检测和过滤重复或过时的知识），但这种粒度并不好控制。

3、记忆存储（Memory Storage）策略

基于的存储，取决于组织方式和表示方式，怎么存，存谁，是关键。分开看：

对于组织方式而言，也是有不同的形式，扁平式存储（单一存储池，如FIFO队列（堆栈stack，先进先出），也可以是JSON文件，如MemoryBank）、分层存储（多粒度/多用途存储池，如MemoryOS的短期/中期/长期三层，用于及时对话的短期记忆、用于主题摘要的中期记忆以及用于用户偏好的长期记忆）；

对于表示方式而言，包括向量存储（文本编码为高维嵌入，基于相似度检索，如FAISS/Qdrant，绝大多数方法采用）、图存储（树/知识图/时间图，保留结构关系）。

这个图存储的可以展开看，如MemTree将记忆组织成层次化树形结构，其中每个结点封装了聚合的文本内容，沿着树的深度提供不同层次的抽象；Zep采用分层的时序知识图谱，同时通过将原始消息表示为结点、提取主语–谓语–宾语三元组，并将实体聚类为社区来组织记忆。；

4、信息检索（Information Retrieval）阶段

检索方面，也是4种范式。

其一，词汇检索，这是常见的检索，就是RAG，包括基于token/术语重叠（如BM25、杰卡德相似度），适合精确实体/短语匹配；

其二，向量检索，基于连续向量空间的语义相似度（余弦相似度+ANN算法），解决词汇失配问题，最主流；

其三，结构检索，主要思路是利用记忆实体之间的显式关系连接，通常在基于图形或层次化存储上操作，通过图遍历、邻域扩展或多跳推理来检索相互关联的信息簇，而非简单的查询到条目匹配。

其本质都是基于图/分层存储的显式关系，通过图遍历/多跳推理检索关联信息（如Mem0ᵍ的子图构建、Zep的BFS遍历，Mem0𝑔从通过相似度搜索识别出的结点出发，探索其关系以构建一个全面的子图，从而捕捉相关且多方面的信息。类似地，Zep采用基于广度优先搜索的图遍历算法，通过识别额外的结点和边来增强初始搜索结果；

其四，LLM辅助检索，这个主要针对模糊的场景，具体的，将LLM作为推理组件，重构模糊查询、识别关键实体，引导精准检索（如MemoChat）。

5、看评估测试基准

基准侧也可关注，两个代表性的，也是打榜主要阵地：

一个是LOCOMO，基于人类间的长程对话，含10个对话、平均198.6个问题、27.2个会话、588.2个对话轮次，评估单跳/多跳检索、时间推理、开放域知识四大能力；

一个是LONGMEMEVAL，基于用户-AI的长程交互，含500个问题、平均50.2个会话、11.5万个token，评估信息提取、多会话推理、知识更新、时间推理四大核心记忆能力，

6、看关键结论

有了统一的对比框架和对比基准，就可以看一些对比结论，可以看看几个经验结论：

首先，基于树状/分层的存储结构记忆方式占优。MemTree、MemOS（树状）、MemoryOS（分层）表现最优，树结构在上层保留概念摘要、叶子节点保留细粒度细节，分层存储实现信息的高效流动和转换；因此，这也是一个经验教训：分层组织在捕捉信息之间的结构关系方面更为有效，这可以通过采用基于树的索引或设计多级存储来实现。

其次，信息完整性至关重要。这也是教训：信息完整性是记忆机制的基础，保留原始消息的方法优于仅提取图三元组的方法（如Mem0优于Mem0ᵍ），结构化提取易导致语义丢失【这个是很自然的】。

接着，记忆关联能力是多跳推理的核心，缺乏显式/隐式关联操作的方法（MemoryBank、MemGPT）在多会话/多跳任务中表现极差，Mem0通过相似记忆同步更新实现了隐式关联，性能显著提升【索引带来的增益】；

最后，时间推理强依赖LLM推理能力，模型从7B→72B时，时间推理任务性能翻倍（如MemoryOS、MemoChat），现有方法缺乏专门的时间信息处理组件【所以时空的处理是关键的】

此外，在token消耗上，也存在一些趋势：

其一，通过对比每次对话的平均token消耗（Y轴）与总体F1得分（X轴）之间的关系，可以看到：通常情况下，更高的性能与更高的token消耗相关，MemTree 和 MemOS 实现了高准确率，但它们带来了显著的 token 开销。

其二，信息处理的粒度对token成本有显著影响，这一粒度取决于信息是从单个对话回合中提取，还是从多个回合中集体提取。例如，MemoryOS将对话划分为片段以进行中期存储，而MemoryBank则以每日粒度将历史消息汇总成摘要，但因为大模型本身能力就不错，所以这种粒度上的粗化并不一定导致性能下降，甚至可能提升性能。

其三，索引机制，还需要关注扩展性，这个尤其是在频繁更新的场景。对于MemTree，随着对话历史的累积，树的深度增加，导致每轮处理的成本上升，因为每次自顶向下插入新的对话结点都需要更新路径上的所有结点。类似地，Zep 的图复杂度随对话轮次的增加而增长，导致去重和一致性维护的成本不断上升。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～