Agent 记忆终于有救了！5 款开源框架横评，附落地架构选型指南

做 AI Agent 的朋友你有没有遇到过这个让人崩溃的场景——用户昨天告诉 Agent“我是素食主义者别给我推荐含肉的食谱。”今天 Agent 回来了热情洋溢地推荐了红烧肉。用户已经把你拉黑了。这就是没有记忆的 Agent 的悲剧。每次对话都是一张白纸。它不知道你是谁不记得你说过什么也不知道上次你们聊到哪里。一个没有记忆的 Agent只是一个高配版计算器。所以今天我来整理了 5 款最主流的 AI 记忆开源框架帮你在架构选型上少走弯路。先搞清楚Agent 记忆分几种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 MemoryAgent 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。横评5 款开源记忆框架框架一Mem0 — 最成熟的生产级选择⭐ 4.8万 starsGitHubhttps://github.com/mem0ai/mem0$24M 融资一句话定位给 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 KVMem0 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from mem0 import Memory m Memory() # 存记忆 m.add(我是素食主义者不吃肉, user_idalice) # 取记忆 memories m.search(用户饮食偏好, user_idalice) 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。缺点图记忆需要 $249/月 Pro 订阅无时序建模能力。框架二Zep / Graphiti — 时序推理最强⭐ 5K starsGitHubhttps://github.com/getzep/graphiti官网getzep.com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Kendra 喜欢 Adidas 球鞋有效期2025-01 至 2026-03 → 被新事实覆盖 → Kendra 喜欢 Nike 球鞋有效期2026-03 至今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⭐ 3.6万 starsGitHubhttps://github.com/letta-ai/letta前身MemGPT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 MemoryLetta 把记忆分成三层模仿操作系统的内存层级层级类比内容特点Core Memory内存 RAM当前对话核心信息始终在 context 窗口内Recall Memory缓存 Cache近期对话历史按需检索Archival Memory硬盘 HDD长期知识存储无限扩展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GitHubhttps://github.com/agiresearch/A-mem论文arXiv 2502.12110一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-InspiredA-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1. 构建笔记提取关键概念、上下文、标签2. 动态链接分析与已有记忆的关联自动建立索引链接3. 进化更新已有记忆根据新信息动态更新不是简单追加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arXiv2025 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GitHubhttps://github.com/MemTensor/MemOS论文arXiv 2505.22101一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MemCubeMemOS 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记忆类型实现形式类比激活记忆Activation MemoryKV-CacheCPU 寄存器文本记忆Plaintext Memory向量数据库 / 文档内存 RAM参数记忆Parameter MemoryLoRA 权重微调硬盘固化知识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框架GitHub Stars架构类型时序推理多Agent生产成熟度上手难度Mem04.8万⭐混合向量图KV❌部分⭐⭐⭐⭐⭐低Zep/Graphiti5千⭐时序知识图谱✅ 最强部分⭐⭐⭐⭐中Letta/MemGPT3.6万⭐OS 分层内存部分✅ 原生⭐⭐⭐⭐高A-MEM研究级Zettelkasten 网络部分❌⭐⭐中MemOS新兴三态统一调度部分部分⭐极高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 DBQdrant/Chroma Graph DBNeo4j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 → 一个月上线最后说一句Agent 记忆不是有就行的问题。错误的记忆比没有记忆更危险——医疗 Agent 记错了药物禁忌金融 Agent 记错了用户风险偏好客服 Agent 记错了用户投诉状态……选对架构从一开始就设计好记忆的边界和机制。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。加油太阳鸟。参考资料Mem0https://github.com/mem0ai/mem0Zep/Graphitihttps://github.com/getzep/graphitiLettahttps://github.com/letta-ai/lettaA-MEMhttps://github.com/agiresearch/A-memMemOShttps://github.com/MemTensor/MemOS框架横评数据来源https://atlan.com/know/best-ai-agent-memory-frameworks-2026/LongMemEval 基准arXiv 2501.13956这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容