memory-systems

記憶系統為 AI 代理人提供了必要的持久化層，使其能夠維持連續性、追蹤實體狀態並跨多個會話執行複雜的推理。此技能指導開發者進行分層記憶架構的設計，從簡單的揮發性上下文視窗進化到複雜的時序知識圖譜。它專為需要平衡檢索準確性與系統複雜度的生產級代理人工程師與架構師所設計。透過評估包括 Mem0、Zep/Graphiti、Letta、LangMem 與 Cognee 等生產級框架，此技能協助開發者根據實體一致性、多跳推理與延遲限制等需求，選擇最佳的儲存後端。它強調可靠檢索優於工具複雜性，並利用 LoCoMo 與 LongMemEval 等基準測試數據來指導架構決策。

• 框架評估：比較向量儲存記憶 (Mem0)、時序知識圖譜 (Zep/Graphiti)、自我編輯分層儲存 (Letta) 與語意圖譜管道 (Cognee) 之間的架構權衡。

• 分層設計：實作工作記憶、短期會話狀態、實體特定註冊表以及使用圖資料庫或文件儲存的長期知識保留策略。

• 檢索優化：設定多跳推理、關係遍歷與時序過濾，使代理人能夠執行時間旅行查詢並在長時間互動中維持上下文。

• 基於基準測試的選擇：在投入生產環境堆疊前，利用 DMR、LoCoMo 與 HotPotQA 的數據來評估記憶效能、延遲與推理正確性。

• 當您需要解決多會話代理人中的「冷啟動」問題，或因缺乏實體關係導致標準 RAG 管道失敗時，請使用此技能。

• 在升級到完整的圖形持久化儲存之前，請先從最淺的記憶層（例如檔案系統或快取）開始。

• 與代理人工作流程整合，以在不同的對話線程中維持使用者偏好與特定領域知識。

• 考量輸入限制，例如 Cognee 的攝取時處理成本與 Mem0 的部署簡易性。

• 專注於維持上下文視窗中的高訊號權杖，僅對超過立即注意力預算的資訊使用記憶工具。