大模型 记忆

实现 A · rohitg00/agentmemory（AI 编程 Agent）

持久化记忆层，跨会话保留项目上下文，集成 Claude Code / Cursor / Codex / Copilot。基于真实编程任务基准测试。

实现 B · JordanMcCann/agentmemory（LongMemEval SOTA）

记忆系统，LongMemEval 真实检索榜首 96.2%（481/500）。提供 REST 服务与 MCP 服务，便于 Claude Desktop / Continue 等原生工具调用。

# 安装（源码）
git clone https://github.com/JordanMcCann/agentmemory.git
cd agentmemory && pip install -e .
# 启动服务
agentmemory serve     # FastAPI REST 服务
agentmemory mcp       # MCP 服务（Claude Desktop / Continue 等）
# 核心 API：MemoryStore
from agentmemory import MemoryStore
store = MemoryStore(path="memory.db")   # :memory: 为内存态

实现 C · pinexai/agent-memory（3 行接入）

生产级持久记忆，兼容 LangChain / CrewAI / AutoGen / 原生 SDK。

pip install agentcortex        # CLI 随包自带
from agentmemory import MemoryStore
m = MemoryStore(agent_id="my-agent")
m.remember("User prefers Python over JavaScript", importance=7)
ctx = m.get_context("What do we know?")
# 异步：AsyncMemoryStore；MCP：pip install "agentcortex[mcp]"

pip install mem0
from mem0 import Memory
m = Memory(config={"llm": {"provider": "openai", "model": "gpt-4o"}})
m.add("用户喜欢用 Python 做数据处理", user_id="u1")
m.search("用户偏好什么语言？", user_id="u1")

记忆分层：Working Memory（当前任务）+ Archival Memory（长期事实，向量存储）+ 可选图记忆。支持自动冲突检测与更新，适合多用户个性化场景。

pip install zep-python
from zep_cloud.client import Zep
client = Zep(api_key="YOUR_KEY")
# 自动把对话组织为 Episodic + Semantic + Graph 三层记忆
client.memory.add(session_id="s1", messages=messages)
mem = client.memory.get(session_id="s1")   # 含图检索的上下文

三记忆层：Episodic（原始对话事件）、Semantic（抽取的事实）、Graph（实体关系图谱）。图结构让"用户—项目—偏好"关系可被推理检索。

# 安装
pip install letta[server]        # 服务端
pip install letta-client       # 客户端 SDK
# 启动服务（默认本地，可接 Ollama 免云 key）
letta server
# 创建 agent（backend: "local" 可完全本地免 key）

三层记忆架构（核心创新）

当 total_tokens > context_window 时自动压缩（滑动窗口 / 总结）。sleep-time compute（sleeptime_agent）在空闲时重组记忆、从近期交互学习，已在数学推理基准上验证有效。

分层记忆：OS 隐喻

把 LLM 固定上下文窗口类比"内存"，把外部存储类比"磁盘"：Agent 自己决定什么留在上下文、什么移到长期存储、何时检索——用工具调用作为机制。这是 MemGPT/Letta 的虚拟上下文管理思想。

选型速查