memory-systems

记忆系统为 AI 代理人提供了必要的持久化层，使其能够维持连续性、追踪实体状态并跨多个会话执行复杂的推理。此技能指导开发人员进行分层记忆架构的设计，从简单的挥发性上下文窗口进化到复杂的时序知识图谱。它专为需要平衡检索准确性与系统复杂度的生产级代理人工程师与架构师所设计。通过评估包括 Mem0、Zep/Graphiti、Letta、LangMem 与 Cognee 等生产级框架，此技能协助开发人员根据实体一致性、多跳推理与延迟限制等需求，选择最佳的存储后端。它强调可靠检索优于工具复杂性，并利用 LoCoMo 与 LongMemEval 等基准测试数据来指导架构决策。

• 框架评估：比较向量存储记忆 (Mem0)、时序知识图谱 (Zep/Graphiti)、自我编辑分层存储 (Letta) 与语义图谱管道 (Cognee) 之间的架构权衡。

• 分层设计：实现工作记忆、短期会话状态、实体特定注册表以及使用图数据库或文档存储的长期知识保留策略。

• 检索优化：配置多跳推理、关系遍历与时序过滤，使代理人能够执行时间旅行查询并在长时间互动中维持上下文。

• 基于基准测试的选择：在投入生产环境堆栈前，利用 DMR、LoCoMo 与 HotPotQA 的数据来评估记忆性能、延迟与推理正确性。

• 当您需要解决多会话代理人中的「冷启动」问题，或因缺乏实体关系导致标准 RAG 管道失败时，请使用此技能。

• 在升级到完整的图形持久化存储之前，请先从最浅的记忆层（例如文件系统或缓存）开始。

• 与代理人工作流程集成，以在不同的对话线程中维持用户偏好与特定领域知识。

• 考量输入限制，例如 Cognee 的摄取时处理成本与 Mem0 的部署简易性。

• 专注于维持上下文窗口中的高信号权杖，仅对超过立即注意力预算的信息使用记忆工具。