文章

智能体记忆管理组件调研

梳理 GitHub 高星 Agent 记忆组件：Mem0 一类抽事实再检索，Letta / OpenClaw 做梦境巩固，Graphiti 走时序图谱。跨 Agent 共享靠作用域、图库或 Git，而不是无锁共写一份 Markdown。文末对照选型与其余能力。

发表于
Preview Image
作者 handsomestwei
28 分钟阅读
智能体记忆管理组件调研

智能体记忆管理组件调研

面向 Agent 记忆管理 的开源组件近年集中出现。本文按 GitHub 高星仓库与公开文档，归纳记忆检索、分时压缩 / 梦境、跨 Agent 共享，以及记忆层常见的其余能力。星数与接口以仓库当时说明为准，不是吞吐或召回评测。

参考与延伸阅读：

目录

一、高星仓库速览

下列星数来自调研当时的公开页，只作量级参考。

仓库约 Star形态记忆怎么存
mem0ai/mem06.6 万记忆 CRUD API，可托管可自建抽取事实；向量 + 可选图谱；按 user_id / agent_id / run_id 分作用域
getzep/graphiti3.1 万时序知识图谱框架，Zep 的开源核实体/关系带时间有效期与 superseded
topoteretes/cognee3.0 万自托管图谱 + 向量记忆平台ingest → 构图 → 检索；会话结束可写入永久图
supermemoryai/supermemory2.9 万记忆 / 上下文 API + 插件画像、连接器、混合检索；有 OpenClaw / Claude Code 插件
letta-ai/letta2.5 万有状态 Agent 运行时（原 MemGPT）核心 Memory Block 常驻上下文；档案库语义检索；MemFS + Git
MemTensor/MemOS1.1 万记忆操作系统分层（轨迹 / 记忆 / 世界模型）+ 技能结晶；宣称可降 token
zilliztech/GPTCache0.8 万语义缓存，不是长期记忆问句向量相似则直接返回旧回答
letta-ai/letta-code0.3 万Letta 现用 harness/sleeptime 梦境、MemFS、技能学习
LangMem约 0.16 万LangGraph 侧工具库语义 / 情景 / 程序记忆 + 后台 manager
OpenClaw产品级 Agent工作区 Markdown 为源日文件 + MEMORY.md + 可选向量检索 + Dreaming

另有 Honcho、OpenMemory（Mem0 的本地 MCP）、Basic Memory（Obsidian 风格 Markdown MCP） 等，星数低于上表头部，但代表「本地文件 / MCP 侧车」这条线。专门做 多 Agent 共用 Prompt 前缀 的 agentcache 星数不高，机制写得很直白，下文单独引用。

二、推理缓存、语义缓存与记忆检索

和「记住用户是谁」并列、但经常被放进同一张产品页的，还有两类缓存。它们不替代长期记忆，接口和失效策略也不同。

2.1 前缀缓存：Prompt / KV Cache

云厂商 Prompt Caching 与本地推理引擎的 Prefix / Radix KV Cache 都会复用提示开头已经算过的 KV。命中后跳过这段 prefill，输入按「读缓存」计价（折扣以厂商账单为准）。从提示开头起，连续 token 须与已缓存前缀一致；系统提示、工具 JSON、消息顺序任一处变化，都会从分叉点开始重算。

论文 Don’t Break the Cache 指出：长程 Agent 里，把每轮都变的内容放在提示前部、或每轮重排工具表，会降低命中率。常见做法是把系统提示、工具定义、稳定人设放在前部，本轮用户话和工具结果放在尾部。

agentcache 让子 Agent 从父会话的不可变前缀 fork，以便命中 Anthropic / Gemini / OpenAI 的 Prompt Cache。其给出的高命中率指的是 fork 之后对共享前缀。

本地 vLLM / SGLang 的 RadixAttention 同类：树节点按 token 前缀共享 KV。

2.2 语义缓存：相似问句直接返回旧答

GPTCache 在客户端把用户问题做成向量，阈值内视为同一问，直接返回上次 completion。这是 问答对缓存，不要求前缀相同，也不构成长期人格记忆。适合 FAQ、重复工具参数、评测回放；用户偏好已变更时需要 TTL 或显式失效。

2.3 记忆检索：抽事实，下轮只回灌相关条目

Mem0、Zep/Graphiti、Cognee、Supermemory、MemOS 的主流做法是：不要把整段聊天塞进窗口。用 LLM 抽事实 → 写入向量 / 图谱 → 下轮只召回 Top-K。Mem0 公开基准里把单次检索预算压到数千 token 量级。检索块每轮内容不同，应放在提示后部或作为工具结果，不宜写入系统提示前部。

下面用 Mem0 + 跨周助手 把这条链路走完。人物与项目均已脱敏。

场景。 用户甲是某企业的实施顾问。周一在助手里闲聊、排期、改偏好，累计二十多轮。下周五只丢一句：「按我习惯写一份本周周报提纲。」若把周一到周五的原文全部拼进 prompt，模型要再读一遍寒暄、贴日志、改口。Mem0 的目标是：长期只存几条可复用事实，提问时只把相关的几条塞回去。

应用侧固定带 user_id="user-jia"（可再加 agent_id 区分不同 Bot）。Mem0 夹在「业务应用」和「对话模型」之间：应用决定何时 add、何时 search、检索结果怎么拼进提示。

周一：对话发生之后调用 add。 应用把本轮（或刚结束的一小段）消息交出去，不必也不该把几个月的全文每次重传。官方说明里，托管平台会按同一 user_id（以及可选的 run_id）自行拼近期上下文，用来消解「他 / 那个仓库」之类指代。

假设本段原文大意是：

1
2
3

用户甲：我负责客户 A 的实施，周报只要风险和阻塞，不要过程流水账。
助手：记下了，以后周报按风险和阻塞来。
用户甲：代码在 GitLab，合并前必须过流水线。群里不要直接 @ 分管领导。

Mem0 在 add 内部大致做四步（对应官方 How it works）：

步做什么本例结果
1. 查已有记忆按同一 user_id 找出可能重复的旧事实，避免再存一条一模一样的库里还没有「周报格式」，通过
2. 抽取事实另一次（或单次）LLM 调用，从对话里抽出可复用的偏好、决策、计划，丢掉寒暄和助手套话「用户甲负责客户 A 实施」「周报只要风险与阻塞」「代码托管 GitLab，合并前过流水线」「群内不 @ 分管领导」
3. 去重并向量化冗余句删除；每条记忆做成 embedding，写入向量库四条短事实，而不是二十轮 transcript
4. 抽实体并挂图抽出人名、项目、产品等；平台版会链到 Graph Memory，检索时靠实体加分实体如「客户 A」「GitLab」；之后问「那个客户」也能打到同一簇

库里此时没有完整聊天记录，只有这些 短事实。infer=False 才会按原文存消息，官方默认走抽取，重复插入同一事实容易变成两条，生产上要选一种模式并保持一致。

下周五：模型调用之前先 search。 用户甲只说：「按我习惯写一份本周周报提纲。」应用 不要 把周一全文贴回去，而是：

  1. 用这句（或稍作扩写的检索问句，如「周报格式与沟通禁忌」）调用 search，filters={"user_id": "user-jia"}，top_k 取 5～10。
  2. Mem0 把问句做成向量，融合语义相似、关键词（BM25）、实体重叠、时间信号后排序。问句里的「周报」「习惯」会打中「只要风险和阻塞」；不一定带回「GitLab 流水线」，因为本轮用不上。
  3. 应用把返回的 2～4 条记忆拼成一小段，追加在提示尾部（或作为工具结果），再请求对话模型。

拼进去的上下文接近：

1
2
3
4
5

相关记忆：
- 用户甲负责客户 A 的实施。
- 周报只要风险和阻塞，不要过程流水账。
- 群内不要直接 @ 分管领导。
用户：按我习惯写一份本周周报提纲。

对话模型只看见这几行，即可写出带风险/阻塞结构、且不 @ 领导的提纲。GitLab 那条仍躺在库里，等以后问「合并门禁」再被召回。

和整段历史相比。

 不接记忆层接 Mem0
发给对话模型的历史跨周全部轮次，随时间线性涨每轮 Top-K 事实，长度近似恒定
周一寒暄、改口、贴日志每次重读add 时已丢掉，不进周五的 prompt
换设备 / 新 run_id会话一断就忘仍按 user_id 搜到同一批事实

Mem0 公开基准把单次检索预算压在数千 token 量级，依据的就是这种「只回灌相关事实」。周五那句以前没出现过，仍然要调对话模型生成周报；Mem0 不替代生成，只缩短需要重读的历史。

三、梦境与日周月压缩

「像人睡觉时巩固记忆」来自 MemGPT / Letta 的 sleep-time compute（arXiv:2504.13171）：主 Agent 继续对话，后台另开一个 sleeptime / dreaming 子 Agent，读近况、整理核心 Memory Block 与档案库，避免在用户等待时抢工具步。Letta Code 里用 /sleeptime 配置按步数或上下文压缩事件触发。

OpenClaw 把同一动机落成 工作区文件 + 定时巩固：

文件角色
USER.md稳定人设与偏好，会话开头加载
MEMORY.md精选长期事实与决策，不是流水账
memory/YYYY-MM-DD.md当日观察与过程；默认加载今天和昨天
DREAMS.md梦境扫掠的人工可读纪要

巩固过程 不是「每天用向量模型把对话压成更短向量当正文」。向量（及 BM25 混合检索）只给 memory_search 用。晋升路径是：

  1. 会话中把值得留下的内容写入日文件或直接写入 MEMORY.md。
  2. 压缩前可做 memory flush：静默提醒模型先落盘，再摘要窗口。
  3. Dreaming 默认定时（如凌晨 cron）：从 SQLite 短时回忆信号打分，过门槛后用 无工具的补全 决定对 MEMORY.md 的新增 / 合并 / 取代；失败则退回只追加。
  4. 日文件可做 grounded backfill，复盘历史笔记，但不直接覆盖长期层。

社区 fractal-memory 再叠一层日历金字塔：

1
2

原始对话 → 日日记 → 周滚动 → 月滚动 → MEMORY.md
                 ↘ 不随时间失效的 sticky-notes

日 / 周 / 月末用脚本（常再调一次 LLM）做 rollup。加载顺序刻意做成 今天 → 本周 → 本月 → 核心索引，让注意力落在新信息上。这是 层级摘要，和 Generative Agents 的周期反思同一族。

Mem0 类 API 通常不按日历切文件：每条消息（或一批）抽取、去重、更新事实。时间能力靠时间戳与「当前 / 过去 / 计划」检索，而不是 2026-10-03.md。Graphiti 则给每条事实 valid_at / invalid_at，问「周二当时知道什么」走图，而不是读那天的 Markdown。

路线压缩谁做向量做什么适合
Letta sleeptime后台子 Agent 改 Memory Block / 档案档案库语义检索长期存活、要自学的单个 Agent
OpenClaw Dreamingcron + 门控 LLM 改 MEMORY.md给 Markdown 建混合索引本地工作区、人要能打开文件审查
日周月 Fractal日历脚本 + LLM 摘要可选检索日记会积成几百个文件时
Mem0 / 图谱抽取每轮或批量 LLM 抽事实主存储之一多应用、多用户、要 CRUD API

向量模型 不负责「把一天对话压成一段更便宜的记忆正文」。正文压缩仍是 LLM 摘要或结构化抽取；embedding 只解决「换一种问法还能找回」。

四、跨 Agent 记忆共享

共写一份 Markdown、不加锁、当总线，几乎只出现在演示里。高星实现用的是 带作用域的存储服务 或 显式共享对象。

4.1 同一条记忆总线，用 ID 切开

Mem0 文档给出四个作用域：user_id（用户长期）、agent_id（某个角色私有）、run_id / session（本轮）、app_id（应用默认）。客服 Bot 与经理 Agent 检索时带 同一个 user_id，就能共享用户偏好；各自的 agent_id 避免把内部草稿泄漏给对方。存储是向量库 + 可选图，不是文件锁。

CrewAI 统一 Memory：Crew(memory=True) 时全员默认共享；需要隔离时 memory.scope("/agent/researcher")，需要「私有 + 公共」并集时用 MemorySlice。默认存储可落到 LanceDB 一类嵌入库。

4.2 共享块、共享 Git、共享图

Letta 允许 多个 Agent 挂同一块 Memory Block：改一次，所有挂载者下一轮上下文都看见。较新的 MemFS 把记忆当 Git 仓库；云上可挂共享 repository，自托管可指到同一 remote。这是「共同读写同一套文件树」，但提交、推送、冲突走 Git，而不是两个进程 append 同一个 MEMORY.md。

Graphiti / Cognee 把多 Agent 观测写成 同一张（或按租户分片的）图：共享的是实体与边，查询时按时间与关系过滤。适合「库存、客户状态、谁在何时改过结论」。

4.3 工作区 Markdown 仍然可用，但不等于总线

OpenClaw 源的真相是磁盘上的 Markdown，检索索引在 SQLite。多 Agent 若 共用一个 workspace 目录，等于共享那一批文件；Dreaming 写 MEMORY.md 有插件状态与锁。多 Agent 各用各的 workspace 则默认不共享，除非做 import、wiki 编译层或外接 Honcho / LanceDB / MemOS 插件。MemOS 的 OpenClaw 插件明确把「多 Agent 协作记忆」做成云或本地 SQLite，而不是指望无协议共写。

MCP 侧车（OpenMemory、Basic Memory）把记忆进程化：各宿主通过同一 MCP 读写。一致性和权限在服务端，文件只是一种后端。

4.4 共享前缀不是共享记忆

agentcache 的 fork 让多个 Worker 复用同一段 Prompt 前缀。它们看到的公共上下文是冻结快照，后续工具结果各写各的尾巴。这解决的是推理缓存复用，不解决「A 刚学到的用户住址，B 也能查」。

共享方式技术并发典型产品
作用域记录向量 / KV / 图 + user_id 等数据库事务或服务端合并Mem0、Supermemory
共享对象同一 Memory Block / Crew Memory运行时写入，块级覆盖Letta、CrewAI
版本化文件树Git / MemFS提交级冲突Letta MemFS
工作区笔记Markdown + SQLite 索引需要锁或单写者巩固OpenClaw
时序图节点边 + 有效期图库Graphiti、Cognee
共享 Prompt 前缀云 Prompt Cache只读前缀agentcache

五、其他功能与应用场景

上面三条没有覆盖、但高星仓库反复出现的能力：

遗忘、取代与合规。 长期记忆必须能改口。Graphiti 用边失效；OpenClaw 在 USER.md 里 superseded 旧指令，并提供 memory forget；Mem0 走 update/delete（新算法也曾强调 ADD-only 再靠检索融合，以产品线为准）。这对应 GDPR 删除、用户更正偏好、过期任务。

时间推理。 「现在的地址」和「去年的地址」同时存在时，只靠相似度会召回错的。Graphiti 的 valid window、Mem0 较新年份的 temporal ranking、日记文件名上的日期衰减（OpenClaw 可配 half-life）都是在打这个问题。

程序记忆与技能结晶。 MemOS、Letta Skills、OpenClaw Skills 把「怎么干活」从对话里拆成可复用技能。这不是用户事实，而是 流程记忆，跨任务复用比复述聊天更稳。

证据与来源。 OpenClaw Dreaming 强调 taint（不信任来源不晋升）、wiki 层保留 claim/evidence；Graphiti 保留 provenance。客服与调研 Agent 需要「这句话从哪次会话来的」。

窗口压缩与记忆冲刷。 上下文满时做 compaction 会丢掉未落盘事实。OpenClaw 默认在摘要前 silent flush；Letta 可在 compaction-event 上触发 dreaming。这是记忆系统与上下文管理的接缝。

用户模型。 Honcho、OpenClaw USER.md、Mem0 用户级记忆把「这个人是谁」从「这个 Agent 是谁」里拆出来，同一用户换 Bot 仍在。

多模态与连接器。 Cognee / Supermemory 强调任意格式 ingest、网盘与聊天连接器。记忆对象从纯文本扩到文件与外部系统快照。

可观测与体检。 Letta /doctor 看记忆是否膨胀、是否重复；OpenClaw /context list 看注入截断。没有这层，MEMORY.md 会在几个月后撑爆 bootstrap 预算。

本地优先与 MCP。 编码 Agent（Claude Code、OpenClaw、Hermes）流行把记忆做成本机插件或 MCP，数据不出机器；云 API 则服务多端同步。同一套抽取算法可以有两种分发。

常见场景对照：

场景更贴哪条能力
客服跨渠道记住用户user_id 级事实 + 遗忘纠正
调研多 Agent 分头搜共享图或 Crew 共享记忆
个人助理 / 本地管家Markdown 日文件 + 梦境巩固 + 人可读审查
企业知识随时间变化时序图谱，而不是只存向量片段
重复 FAQ 挡掉重复调用GPTCache 类语义缓存
长任务工具循环系统提示与工具表保持稳定，便于 Prompt Cache 命中

六、选型对照

目标更合适的方向需要警惕
提高 Prompt Cache 命中稳定系统提示与工具表，动态内容放尾部；多 Worker 时可 fork 前缀把每轮都变的检索块塞进提示前部
跨周仍认识用户Mem0 / Supermemory / Cognee 一类抽取检索把整段聊天当唯一记忆
人要打开文件审计记忆OpenClaw Markdown + Dreaming多进程无锁共写同一文件
Agent 自己改自己的人设Letta Memory Block + sleeptime核心块无限膨胀
事实会过期、要问历史状态Graphiti / Zep只用向量相似度
多 Agent 既隔离又共享用户四维作用域或 scope/slice全局一个 namespace
重复问题直接返回GPTCache当长期记忆用

落地时可以叠，但 推理缓存、长期记忆、梦境巩固 应分开配置、分开看指标：Prompt Cache 命中、检索条数、晋升条数，不要用一个数字混报。

七、小结

要点结论
记忆检索抽事实入库，下轮只回灌 Top-K；不存、也不重放整段聊天
推理缓存Prompt / KV Cache 复用稳定前缀；与长期记忆是两套机制
语义缓存相似问句返回旧答，适合 FAQ，不是人格记忆
梦境后台 LLM 巩固 + 门控晋升；向量只做检索。日周月是日历金字塔，不是把对话 embed 变短
跨 Agent作用域数据库、共享块、Git、图谱是主流；共写一份 md 只适合单写者工作区
其余遗忘、时间有效期、技能记忆、来源、压缩前 flush、MCP 本地化，决定能不能上生产

先按「要跨会话的事实、要稳定前缀、还是要挡重复 FAQ」选层，再挑仓库。

AI, 智能体
AI 智能体 记忆管理
本文由作者按照 CC BY 4.0 进行授权