AI Agent记忆技术新手快速上手:Awesome-Agent-Memory精选30个可运行Notebook与架构决策指南
AI Agent记忆技术新手快速上手:Awesome-Agent-Memory精选30个可运行Notebook与架构决策指南
Awesome-Agent-Memory 是一个面向 AI Agent 记忆技术(Agent Memory)的开源精选合集,一站式汇集 LLM 与多模态智能体的记忆系统、评估基准与前沿论文,覆盖长期上下文、检索与推理等核心方向,是新手入门 AI Agent 记忆技术的首选资料库。本文以「30 个可运行 Jupyter Notebook + 架构决策指南」为主线,带你完成从克隆仓库、跑通第一套记忆 Notebook,到选出第一个记忆产品的完整上手路线。
什么是 AI Agent 记忆技术?新手先建立两个概念 📌
普通大模型「聊完即忘」,而具备记忆能力的 AI Agent 可以跨会话记住用户偏好、项目上下文和过往经验,并在新任务中检索、复用来持续改进。README.md 开篇将这一领域概括为三件事:长期上下文(long-term context)、持久召回(persistent recall)、从经验中改进(improve from experience)。
对新手来说,理解下面这张分类表,就能看懂整个资源库的目录结构:
| 记忆类型 | 存在位置 | 典型形态 | 对应章节 |
|---|---|---|---|
| 非参数记忆 Nonparametric | 模型外部(可读写、可编辑) | 文本记忆、图谱记忆、多模态记忆 | Papers - Nonparametric Memory |
| 参数记忆 Parametric | 模型参数内部 | 记忆基础模型、KV Cache 扩展 | Papers - Parametric Memory |
| 体验记忆(Agent 进化) | 经验沉淀为技能/规则 | 强化学习、持续学习、上下文工程 | Memory for Agent Evolution |
💡 记忆并非越「多」越好——README.md 的 Memory Security & Defense 章节专门讨论了记忆投毒攻击与防御(如 OWASP Agent Memory Guard),新手选型时值得留意。
一键克隆仓库:Awesome-Agent-Memory 获取步骤
整个仓库以文档为主,无需安装依赖,克隆后即可阅读与检索:
git clone https://gitcode.com/gh_mirrors/aw/Awesome-Agent-Memory
仓库文件结构一览,新手建议按顺序浏览:
| 文件 / 目录 | 作用 |
|---|---|
| README.md | 核心清单:产品、教程、综述、基准、论文、安全防御等 9 大板块 |
| CONTRIBUTING.md | 收录标准与编辑规范,读懂它就能看懂榜单的排名逻辑 |
| CITATION.cff | 学术引用元数据(作者、年份、Apache-2.0 许可证) |
| scripts/check_star_order.py | CI 自动校验开源产品是否按 star 数排序 |
| scripts/gen_star_history.py | 每周重新生成 star 历史图表 |
| lychee.toml | 链接有效性检查配置 |
| LICENSE | Apache-2.0 开源协议 |
30 个可运行 Notebook 快速上手:Agent Memory Techniques 教程 🚀
本清单收录的第一份教程是 Agent Memory Techniques(NirDiamant 出品):30 个可直接运行的 Jupyter Notebook,是新手从零建立「Agent 记忆手感」的最短路径。覆盖的知识点包括:
- 对话缓冲(conversation buffers)——最基础的短期记忆实现
- 向量存储(vector stores)——语义检索的底座
- 知识图谱(knowledge graphs)——表达事实间关系
- 情景记忆与语义记忆(episodic & semantic memory)
- 主流记忆产品实战:Mem0、MemGPT/Letta、Zep(Graphiti)
- LoCoMo 长期对话记忆基准测试
建议按「三段式」路径执行:
| 阶段 | 目标 | 对应 Notebook 主题 |
|---|---|---|
| 第 1 周 | 跑通基础构件 | 对话缓冲、向量存储、知识图谱 |
| 第 2 周 | 理解记忆分类 | 情景记忆、语义记忆 |
| 第 3 周 | 接触真实产品与评测 | Mem0 / Letta / Zep 集成、LoCoMo 基准 |
📌 执行方式很简单:把 Notebook 仓库克隆到本地,用 Jupyter 或 VS Code 依次打开运行即可,每个 Notebook 都标注了依赖,无需额外配置。
架构决策指南:5 分钟选对记忆架构 🧭
README.md 的 Tutorials 板块 还收录了另一份对工程新人非常实用的资料——Choose an agent-memory architecture(sir-ad 出品)。它把「记忆系统要完成的 4 类工作(four memory jobs)」映射到「5 种架构模式」,并配套提供:
- 最小控制点(minimum controls):每种架构必须落实的最少工程约束
- 评估基线(evaluation baselines):用来验证你的记忆系统是否真的有效
- 一手研究(primary research):每种模式的理论出处
新手可以把它当成一份「选型检查清单」,按下面的问题快速定位:
| 你的需求 | 优先考虑的架构方向 |
|---|---|
| 跨会话记住用户偏好、项目上下文 | 持久化记忆产品(如 Mem0、Letta 这类分层/通用记忆层) |
| 事实之间存在关系、需要多跳推理 | 图谱记忆(如 Zep/Graphiti、Cognee 的图+向量混合) |
| 让模型本身具备记忆能力 | 参数记忆研究方向(记忆基础模型、上下文扩展) |
| 多模态场景(长视频、GUI、音频) | 多模态记忆论文板块(README.md) |
选第一个记忆产品:Top 10 开源产品速览 🏆
Products 板块 收录了 100+ 开源记忆产品,并按 GitHub star 数客观排序(由 CI 每周自动校验,见 scripts/check_star_order.py 与 CONTRIBUTING.md 的编辑政策;不足 100 star 的项目折叠在 Emerging projects 区)。前 10 名速览:
| 排名 | 产品 | 一句话定位 |
|---|---|---|
| 1 | Claude-Mem | 基于 Hook 的会话捕获,压缩成可检索观察并回注后续会话 |
| 2 | Mem0 | 通用 AI Agent 记忆层(附 API 兼容替代品 TeleMem) |
| 3 | Hindsight | 从交互反馈中学习、随时间提升召回的记忆层 |
| 4 | OpenViking | 自进化上下文数据库,统一记忆、知识 RAG 与技能 |
| 5 | Cognee | 数据入「图+向量」混合知识图谱,支持跨会话召回 |
| 6 | Zep(Graphiti 驱动) | 面向 Agent 的实时时序知识图谱 |
| 7 | gbrain | 观点鲜明的 Agent 大脑实现 |
| 8 | agentmemory | 面向 AI 编码 Agent 的持久记忆 |
| 9 | TencentDB Agent Memory | 4 层渐进式管道,完全本地、零外部 API 依赖 |
| 10 | Letta(原 MemGPT) | 分层记忆的状态型 Agent 平台,随时间自我改进 |
💡 新手选型建议:追求开箱即用选 Mem0;想要平台级状态型 Agent 选 Letta;重视完全本地与隐私选 TencentDB Agent Memory 或 agentmemory。注意榜单中加粗的条目代表有可复现代码公开,优先选择这类项目。
检验记忆能力:常用基准 Benchmark 清单 📏
跑完 Notebook 后,可以用 Benchmarks 板块 的基准检验自己的记忆系统效果:
| 基准 | 考察重点 | 年份 |
|---|---|---|
| LongMemEval | 聊天助手的长期交互记忆 | 2024 |
| LoCoMo | 超长期对话记忆(Notebook 中即有实战) | 2024 |
| BEAM | 百万 token 以上的长期记忆 | 2025 |
| PersonaMem | 动态用户画像与个性化响应 | 2025 |
| HaluMem | 记忆系统幻觉评估 | 2025 |
| Agent Memory Leaderboard | 公开评测平台,Add/Search API 接入参赛 | 2026 |
| AMB(Agent Memory Benchmark) | 准确率、延迟、token 成本三维打分 | 2026 |
另有 多模态基准(视频、音频、GUI 记忆)与 动态基准与仿真环境(如 SEAGym、AMemGym),适合进阶后探索。
持续跟进前沿:论文与综述地图 📚
读完 Notebook 之后,可以沿着 README.md 的论文地图持续进阶:
- 非参数记忆:文本记忆(情景/语义/结构化)、图谱记忆、多模态记忆(理解与生成)
- 参数记忆:记忆基础模型(Metis 等)、上下文扩展、KV Cache 研究
- 记忆助力 Agent 进化:强化学习与持续学习、上下文工程与 Harness 工程
- 记忆的认知科学与神经科学:海马体启发、遗忘机制等基础理论
- 综述:想快速建立全局认知,优先读加粗(附代码)的 2025–2026 年综述
📌 清单的排版约定对新手很友好:加粗标题 = 有公开可复现代码;描述均为事实陈述而非宣传(编辑规范见 CONTRIBUTING.md)。
新手常见问题 FAQ ❓
Q1:非参数记忆和参数记忆到底差在哪? 非参数记忆存放在模型外部(文本、向量、图谱),可直接检索、编辑和删除,工程上手最快;参数记忆写入模型参数,通常伴随训练或微调,是研究前沿方向。新手从非参数记忆入手。
Q2:只做过聊天机器人,没写过 Agent,从哪开始? 先按上文「三段式路径」跑完 30 个 Notebook,再用架构决策指南确定选型问题,最后从 Mem0 或 Letta 挑一个接入自己的 Agent。
Q3:产品榜单会不会乱序?如何保证可信? 开源产品按 star 数降序排列,每周由 CI 运行 scripts/check_star_order.py 校验顺序与 100 star 分界线(±10 star 容差),被质疑或停更的项目会移入 Archival 区并标注状态(见 README.md)。
总结
Awesome-Agent-Memory 用一份持续维护的清单解决了新手「不知道学什么、选什么、怎么验证」三大问题:30 个可运行 Notebook 打基础,架构决策指南定方向,Top 10 产品榜单做选型,基准 Benchmark 验效果。建议现在就克隆仓库,从 README.md 的 Start Here 导航表出发,一周内跑通第一批记忆 Notebook——这是上手 AI Agent 记忆技术最快的路线。
