Skip to content

memory.md

Latest commit

 

History

History
287 lines (213 loc) · 8.43 KB

memory.md

File metadata and controls

287 lines (213 loc) · 8.43 KB

Agent Memory 资源精选

Agent 记忆模块相关的核心资源

🧠 Memory 开源工具对比

完整对比表

工具 Stars 开源/闭源 存储类型 特点 推荐度 使用难度
Mem0 20k+ 开源+托管 图+向量 简单易用、自动提取 ⭐⭐⭐⭐⭐ ⭐⭐
MemGPT 10k+ 开源+托管 图+向量 虚拟内存机制 ⭐⭐⭐⭐ ⭐⭐⭐
Zep 5k+ 开源+托管 图+向量 时间知识图谱 ⭐⭐⭐⭐ ⭐⭐⭐
Cognee 2k+ 开源+托管 图+向量 知识图谱增强 ⭐⭐⭐ ⭐⭐⭐
Memary 1k+ 开源 图 轻量级方案 ⭐⭐⭐ ⭐⭐
LangChain Memory - 开源 向量 框架内置 ⭐⭐⭐⭐ ⭐

🔗 更多 Memory 工具：查看 完整列表

📚 详细介绍

1. Mem0 ⭐⭐⭐⭐⭐

  • 链接：https://github.com/mem0ai/mem0
  • Stars：20k+
  • 简介：轻量级 Agent 记忆模块
  • 特点：
    • ✅ 简单易用，10 行代码集成
    • ✅ 支持多种后端（Redis、Qdrant、PostgreSQL）
    • ✅ 自动提取和存储重要信息
  • 适合场景：
    • 对话 Agent（客服、助手）
    • 个性化推荐
    • 上下文持久化
  • ⚠️ 注意：社区反馈有稳定性问题，使用前需充分测试
  • 学习成本：⭐⭐（1天上手）

快速示例：

from mem0 import Memory

memory = Memory()
memory.add("用户喜欢红色", user_id="user123")
result = memory.search("用户喜欢什么颜色?", user_id="user123")

2. MemGPT ⭐⭐⭐⭐

  • 链接：https://github.com/cpacker/MemGPT
  • Stars：10k+
  • 简介：长期记忆管理系统
  • 特点：
    • ✅ 虚拟内存机制（类似操作系统）
    • ✅ 分层存储（工作记忆+长期记忆）
    • ✅ 自动内存管理
  • 适合场景：
    • 长期对话（跨会话记忆）
    • 复杂任务追踪
  • 学习成本：⭐⭐⭐（2-3天理解机制）

3. Zep ⭐⭐⭐⭐

  • 链接：https://github.com/getzep/zep
  • 简介：企业级长期记忆存储
  • 特点：
    • ✅ 生产级稳定性
    • ✅ 可扩展性强
    • ✅ 丰富的检索能力
  • 适合场景：
    • 企业级应用
    • 大规模用户
  • 学习成本：⭐⭐⭐

4. LangChain Memory (内置)

  • 文档：https://python.langchain.com/docs/modules/memory/
  • 简介：LangChain 内置记忆模块
  • 类型：
    • ConversationBufferMemory（缓冲记忆）
    • ConversationSummaryMemory（总结记忆）
    • ConversationKGMemory（知识图谱记忆）
  • 适合场景：
    • LangChain 项目
    • 快速集成
  • 学习成本：⭐（30分钟）

📚 Memory 核心论文

必读论文

  1. MemGPT论文

    • 标题：MemGPT: Towards LLMs as Operating Systems
    • 核心思想：虚拟内存机制

  2. Retrieval-Augmented Memory

    • 核心思想：检索增强的记忆系统

💡 Memory 设计要点

核心问题

1. 什么时候存储？

  • ❓ 每句话都存 vs 只存重要信息？
  • 💡 解决方案：重要性评分机制

2. 如何存储？

  • ❓ 原文存储 vs 总结存储？
  • 💡 解决方案：分层存储（短期+长期）

3. 如何检索？

  • ❓ 向量检索 vs 关键词检索？
  • 💡 解决方案：混合检索 + 时间衰减

4. 何时遗忘？

  • ❓ 一直累积 vs 定期清理？
  • 💡 解决方案：滑动窗口 + 重要性保留

🎯 面试高频问题

Q1: 如何设计 Agent 的长期记忆机制？

标准答案：

我会采用分层记忆架构：

1. 【工作记忆】（短期）
   - 当前对话上下文（最近 10 轮）
   - 存储：内存（快速访问）
   
2. 【情节记忆】（中期）
   - 本次会话的关键信息
   - 存储：向量数据库
   
3. 【语义记忆】（长期）
   - 用户偏好、历史重要信息
   - 存储：知识图谱 + 向量库

检索策略：
- 先查工作记忆（O(1)）
- 再查情节记忆（向量检索）
- 最后查语义记忆（混合检索）

遗忘机制：
- 时间衰减（越久越不重要）
- 重要性保留（关键信息不删除）
- 定期压缩（总结+去重）

Q2: Mem0 和 MemGPT 有什么区别？

维度 Mem0 MemGPT
核心思想 自动提取+向量存储 虚拟内存机制
易用性 简单（10行代码） 复杂（需理解机制）
适合场景 对话Agent、个性化 长期任务、复杂记忆
稳定性 ⚠️ 有待验证 ✅ 相对稳定

🗂️ 更多 Memory 工具

图+向量混合存储

工具 URL GitHub 特点
Cognee https://www.cognee.ai/ GitHub 知识图谱增强
Memonto - GitHub 纯图存储
Memary https://finetune.dev/ GitHub 轻量级
GraphRAG https://microsoft.github.io/graphrag/ GitHub 微软出品

纯向量存储

工具 URL GitHub 特点
BaseAI https://langbase.com/docs/memory GitHub Langbase 出品
BondAI https://bondai.dev/ GitHub 简单易用
Vanna.AI https://vanna.ai/ GitHub SQL 场景

📚 Memory 核心论文（必读）

应用驱动派（推荐先看）

  1. MemGPT ⭐⭐⭐⭐⭐

  2. Mem0 ⭐⭐⭐⭐⭐

  3. Zep - Graphiti ⭐⭐⭐⭐

  4. HippoRAG ⭐⭐⭐⭐

模型驱动派（算法岗推荐）

  1. Memorizing Transformers ⭐⭐⭐⭐

  2. MemoryLLM ⭐⭐⭐⭐

  3. Memory³ ⭐⭐⭐⭐

  4. WISE ⭐⭐⭐⭐

  5. Titans ⭐⭐⭐⭐

  6. MemAgent ⭐⭐⭐⭐

综述论文

  1. Agent Memory Survey ⭐⭐⭐⭐⭐

  2. Multimodal Memory Survey ⭐⭐⭐⭐

🎯 两大流派对比

维度 模型驱动（改模型） 应用驱动（加外挂）
代表工作 Memorizing Transformers、MemoryLLM MemGPT、Mem0、Zep
核心思路 改造模型内部结构 应用层记忆管理
优势 性能上限高、读取效率高 落地快、易扩展
劣势 研发成本高、周期长 依赖底层模型
适合 算法岗（做研究） 开发岗（做应用）

📝 相关文档

🔗 完整论文列表：查看 Awesome-Awesome-LLM