本文系统梳理了大模型 Agent 的记忆系统，指出其远不止保存聊天记录，而是包含记忆写入、抽取、冲突处理、检索、重排、遗忘等完整环节。文章将 Agent Memory 分为工作记忆、情景记忆、语义记忆、程序性记忆、时间与关系记忆、共享记忆六类，并逐类介绍代表性开源项目：如 LangGraph、LlamaIndex Memory、Microsoft Agent Framework、Generative Agents、Mem0、LangMem、Letta、A-MEM、Graphiti、Cognee、HippoRAG 等，分析各自设计思想、适用场景与局限性，为构建生产级 Agent 记忆系统提供了实用参考。
本文探讨了AI代理内存的现状与未来，指出随着多代理协作成为常态，内存需要从单个代理的私有状态中解放出来，成为可共享的独立资源。文章对比了Mem0、Zep、Letta、LangMem、Amazon Bedrock AgentCore Memory、Redis等主流方案，它们分别从身份、图结构、共享对象、可组合性、托管基础设施和数据架构等不同角度实现共享内存。尽管方法各异，但共同趋势是内存正获得独立身份和生命周期，并支持多代理读写，为构建通用AI内存奠定了基础。
文章剖析了标准 RAG 在处理新旧事实冲突上的结构性缺陷：向量检索没有时间轴、不理解'取代'关系，只能把矛盾甩给模型猜测。作者提出时序上下文的四个核心机制——有效期标记、取代关系、软删除与遗忘、审计日志与证据链，并以 Graphiti 和 OpenContext 两条开源路线为参照讲解落地方式。OpenContext 提供基于时序上下文图的 remember/recall/improve/forget 四动词 API，在数据层解决事实过期问题；Graphiti 则专注作为可插拔的时序知识图谱记忆引擎。文末用律所预算变更案例演示了完整代码流程。
当前AI Agent的记忆系统虽能准确存储与检索单一事实，却无法像人类一样洞察事实间的结构关联。本文以项目管理为例，指出传统的检索优化无法解决这一局限。为此，Zep平台（开源Graphiti）引入了“Observations（观察）”功能，通过构建知识图谱，结合确定性算法聚类与LLM总结，跨实体分析并生成深度的上下文洞察。这种机制不仅能追溯证据，还能帮助Agent从全局视角识别如“核心阻塞点”等复杂问题。
针对 LLM 无状态导致的“失忆”痛点，文章深入探讨了当前 Agent 记忆系统的四条主流技术路线：纯文件存储、向量数据库+RAG、知识图谱及混合检索。文章梳理了从轻量级 hooks 集成到企业级独立平台的 12 个开源项目，涵盖 claude-memory-compiler、agentmemory、Hermes Agent 等代表性工具，并提供了针对不同用户阶段（新手、个人开发者、团队、企业）的选型建议。作者指出，未来的核心竞争将集中在“如何遗忘”、“保证正确性”和“控制成本”三个维度。
文章介绍了 UT Dallas 的新论文 Jev-Mem，提出用 TypeSafe AI 的 Jev 模型替代通用 LLM 来处理 Agent 记忆系统中的小决策（如判断消息类型、记忆关联、检索终止等）。Jev 只返回结构化数值或标签，无需解析文本，通过 System One 轻量控制器与 System Two 生成式 LLM 的分工，显著提升效率。在 LoCoMo 基准上，答案质量相对最强基线提升 11%，构建速度快 6.6 倍，查询延迟降低 36.7%。文章也指出其局限：阈值依赖单一模型与基准、缺乏校准概率、消融实验不足，阈值在不同模型和数据分布下的泛化能力是最大隐患。
文章指出 Agent 记忆系统的核心问题不是检索而是上下文组织。跨 15 个模型、20 万模拟对话的研究显示，任务拆分为多轮会使准确率平均下降 39%，而合并为单轮可恢复大部分损失。文章回顾了 Agent 记忆的四个发展阶段（全量历史、滚动摘要、向量检索、知识图谱），批评语义/情景/程序性记忆分类无法指导检索决策，并主张按六种问题类型构建六种上下文形态。作者基于开源 Graphiti 引擎，以客户历史为例实操演示如何让记忆系统在模型运行前正确组织上下文，避免基于过时信息的自信回答。
文章指出仅掌握基础的'chat with PDF'式 RAG 流水线（分块、嵌入、向量检索、LLM）不足以构建真实生产系统，并推荐 10 个进阶项目：混合检索（BM25+向量）、元数据过滤、重排序、上下文分块、SQL+向量混合、知识图谱+向量、纠错式 RAG、自感知 RAG、多模态等。每个项目均说明要解决的问题、系统架构、技术栈（Python、pgvector、LangGraph、Neo4j 等）及学习要点，帮助开发者从语义相似度走向关键词匹配、结构化过滤、关系推理与检索质量反馈等生产级能力。
本文深入比较了2026年可自托管的开源AI代理记忆系统，包括Mem0、Cognee、Graphiti/Zep、Letta和Hindsight。文章强调开源与可自托管并非同义，并提出了五个评估维度：检索准确性、自托管现实、功能对等性、许可证和架构。通过公开基准测试和实际部署要求，作者揭示了各系统的真实优劣，特别指出Mem0社区最大但基准测试饱和，Graphiti擅长时间推理但需外部图数据库，Hindsight在准确性和部署简便性上领先。文章旨在帮助读者根据自身需求选择最合适的记忆层系统。
本文提出了一个智能体记忆系统的可靠框架，该框架需同时完成三个核心任务：记住该记的、引用可信的、遗忘过期的。文章详细介绍了记忆的六个层级（如会话状态、项目记忆、索引检索等），阐述了如何通过权威排序解决冲突，并强调了通过硬过期、双时序或软衰减等机制让旧记忆失效的重要性。
文章深入分析了 GitHub 上的 AI Agent 记忆工具，将其分为两大阵营：一是“记忆后端”，如 Mem0 和 Supermemory，主要提取事实并存储于向量数据库；二是“上下文基底”，如 OpenClaw，通过人类可读的结构化文件让会话在上下文中累积。作者指出，虽然 Camp 1 主导了市场，但 Camp 2 的架构才是支持连续、多会话工作的未来方向，例如 Zep 已开始从“记忆”转型为“上下文工程”。
文章盘点了近期爆火的 5 个 Agent Skills 开源项目：Google Android 官方的安卓开发技能包 android/skills、K-Dense 的 177 项覆盖多学科的 AI 科学家技能库、rehan-remade 的万能游戏 Mod 工具、QingYunA 的一页式 HTML 回答方案，以及 oil-oil 的 UI 设计师技能。这些项目展示了 Skills 生态的爆发：官方下场教 AI 写安卓、Agent 变身科研专家、一句话改游戏、答案自带排版、AI 具备审美能力，标志着 Agent Skills 正成为下一代 AI 能力扩展标准。
作者实测 EverMind 的 EverOS Cloud——一个定位为 Agentic AI 的记忆操作系统。文章指出 RAG 式对话检索不等于经验提取，EverOS 将记忆分为 Episodes、Profiles、Cases、Skills 四类。作者用 Python API 模拟 FFmpeg 渲染报错（width not divisible by 2）场景：仅提交对话叙述只产生 Episode；提交完整的 tool_calls 执行轨迹后，系统成功生成结构化 Agent Case，并可用不同措辞的新查询检索到该 Case。测试验证了'执行轨迹→Case 提取→语义检索'链路，但 Skill 的生成与端到端复用仍待验证。作者认为 agent 记忆的价值在于保留可复用的工程经验，而非扩大上下文窗口。
