AI Agent 记忆存储机制深度分析

分析时间: 2026-03-24
分析维度: 记忆数据结构 | 存储机制 | 检索策略 | 生命周期管理

存储架构总览

架构模式分类

模式 代表项目 特点
单体存储 Memori, SimpleMem 简单直接，易于部署
分层存储 MemGPT, OpenMemory, ReMe 模拟人类记忆层次
混合存储 mem0, MemOS, EverMemOS 向量 + 图 + 关系数据库
画像驱动 Memobase 结构化用户画像
图谱驱动 mem0 (Graph), MemOS 知识图谱增强推理
文件系统 OpenViking 目录范式管理

存储层次对比

项目 第一层 第二层 第三层
MemGPT Core Memory Recall Memory Archival Memory
OpenMemory Episodic Semantic Procedural/Emotional/Reflective
ReMe Working Memory Personal/Task/Tool -
MemOS TextualMemory ActivationMemory ParametricMemory
EverMemOS Episode Profile Foresight
Memobase UserProfile UserEvent -

记忆数据结构对比

MemGPT - 三层数据结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# Core Memory (上下文内)
class CoreMemory:
    persona: str      # AI 人设/性格
    human: str        # 用户基本信息

# Recall Memory (对话历史)
class Message:
    user_id: uuid.UUID
    agent_id: uuid.UUID
    role: str
    text: str
    timestamp: datetime

# Archival Memory (向量存储)
class Passage:
    text: str
    embedding: List[float]
    embedding_dim: int

特点: Core Memory 始终在上下文中，Recall 存储对话历史，Archival 支持向量检索

mem0 - 向量+图双模式

1
2
3
4
5
6
7
8
9
10
11
12
class MemoryItem:
    id: str
    memory: str           # 记忆内容
    hash: str             # 内容哈希 (去重)
    metadata: dict        # 元数据
    score: float          # 相关性分数

class History:
    memory_id: str
    old_memory: str
    new_memory: str
    event: str            # ADD/UPDATE/DELETE

特点: 支持向量 + 图双引擎，SQLite 管理历史变更

MemOS - MemCube 结构

1
2
3
4
5
6
7
8
9
10
11
12
13
class TextualMemoryItem:
    id: str
    memory: str
    metadata: TreeNodeTextualMemoryMetadata

class TreeNodeTextualMemoryMetadata:
    memory_type: Literal[
        "WorkingMemory", "LongTermMemory",
        "UserMemory", "OuterMemory"
    ]
    sources: list[SourceMessage]   # 来源追踪
    embedding: list[float]
    usage: list[str]               # 使用历史

特点: 完整的来源追溯，多种记忆生命周期类型

EverMemOS - MemCell + Foresight

1
2
3
4
5
6
7
8
9
10
11
12
13
14
@dataclass
class MemCell:
    user_id_list: List[str]
    original_data: List[Dict]
    timestamp: datetime
    summary: str
    episode: str
    foresights: List['Foresight']  # 前瞻预测

@dataclass
class Foresight:
    trigger_condition: str    # 触发条件
    action_suggestion: str    # 行动建议
    validity_period: int      # 有效期

特点: 独特的 Foresight 前瞻记忆机制

ReMe - 模块化记忆

1
2
3
4
5
6
7
8
9
10
11
class BaseMemory:
    memory_type: str          # task/personal/tool
    when_to_use: str          # 检索条件描述
    content: str
    score: float

class TaskMemory(BaseMemory):
    memory_type: str = "task"

class ToolMemory(BaseMemory):
    tool_call_results: List[ToolCallResult]

特点: 模块化设计，when_to_use 支持条件检索

OpenMemory - HSG 分层

1
2
3
4
5
6
7
8
9
10
11
12
13
14
interface hsg_mem {
    content: string;
    primary_sector: string;     // episodic/semantic/procedural/emotional/reflective
    salience: number;           // 显著性
    decay_lambda: number;       // 衰退率
}

const decay_rates = {
    episodic: 0.015,    // 事件记忆衰退最快
    emotional: 0.020,   // 情感记忆次之
    procedural: 0.008,
    semantic: 0.005,
    reflective: 0.001   // 反思洞察最稳定
};

特点: 5 种认知类型，行业特定衰退率

Memobase - 用户画像驱动

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
class UserProfile:
    user_id: UUID
    profile_type: str
    content: dict    # JSONB 结构化画像

# 画像示例
profile_content = {
    "basic_info": {"name": "张三"},
    "interest": {"games": "赛博朋克2077"},
    "work": {"industry": "软件开发"}
}

class UserEvent:
    event_type: str
    event_content: str
    embedding: Vector    # pgvector

特点: 结构化用户画像 + 事件时间线

SimpleMem - 原子条目

1
2
3
4
5
6
7
8
9
10
11
12
13
14
@dataclass
class MemoryEntry:
    content: str              # 自包含事实
    timestamp: str            # 绝对时间戳
    entities: List[str]
    
    # 三层索引
    semantic_embedding: List[float]
    lexical_tokens: Set[str]
    symbolic_metadata: dict

# 转换示例
# 输入: "He'll meet Bob tomorrow at 2pm"
# 输出: "Alice will meet Bob at Starbucks on 2025-11-16T14:00:00"

特点: 语义无损压缩，写时消歧，绝对时间锚定

写入流程对比

MemGPT

1
消息 → Core Memory 检查 → Recall 存储 → 定期摘要 → Archival

mem0

1
消息 → 事实提取(LLM) → 去重检查 → 向量存储 → 可选:图谱构建 → History 记录

MemOS

1
消息 → MemCube.add() → TextualMemory 存储 → 异步: MemScheduler 整理

EverMemOS

1
对话流 → 边界检测 → MemCell → Episode/Profile/Foresight/EventLog 提取

SimpleMem 三阶段

1
2
3
Stage 1: 语义结构化压缩 (共指消解 + 时间锚定)
Stage 2: 结构化索引 (原子 → 分子洞察)
Stage 3: 多层存储 (语义/词汇/符号)

Memobase 批处理

1
消息 → BufferZone 缓冲 → 达到阈值 → 批处理 (3次LLM) → Profile/Event 更新

检索策略对比

MemGPT

  • Recall: 文本匹配 + 日期范围
  • Archival: 向量相似度搜索

mem0

  • 向量搜索 + 可选图遍历扩展 + 可选重排序

OpenMemory HSG

1
2
3
4
5
6
综合评分 = 
    0.35 * 相似度 +
    0.20 * 重叠度 +
    0.15 * Waypoint权重 +
    0.10 * 新近度 +
    0.20 * 标签匹配

SimpleMem 三层

  • Semantic: 向量相似度
  • Lexical: BM25 关键词
  • Symbolic: 元数据过滤
  • 融合排序 + 复杂度感知剪枝

生命周期管理

记忆衰退

项目 方式 公式/策略
OpenMemory 指数衰减 salience × e^(-λ × days)
MemGPT 摘要压缩 定期摘要旧消息
MemOS 状态迁移 WorkingMemory → LongTermMemory

记忆强化

1
2
3
# OpenMemory
memory.salience = min(1.0, memory.salience + 0.1)
waypoint.weight = min(1.0, waypoint.weight + 0.05)

记忆清理

  • 时间过滤: 删除 N 天前的记忆
  • Waypoint 剪枝: 删除权重 < 0.05 的关联

存储后端支持

向量存储

项目 Qdrant Pinecone FAISS Milvus Chroma
MemGPT ❌ ❌ ❌ ✅ ✅
mem0 ✅ ✅ ✅ ✅ ✅
MemOS ✅ ✅ ✅ ❌ ❌

图存储

项目 Neo4j Memgraph Kuzu
mem0 ✅ ✅ ✅
MemOS ✅ ❌ ❌

关系数据库

项目 PostgreSQL SQLite MongoDB
MemGPT ✅ ✅ ❌
EverMemOS ❌ ❌ ✅
Memobase ✅ (pgvector) ❌ ❌

选型决策矩阵

按存储需求

需求 推荐
纯向量检索 mem0, MemGPT
知识图谱推理 mem0 (Graph), MemOS
用户画像 Memobase
认知模拟 OpenMemory
前瞻预测 EverMemOS
高效压缩 SimpleMem

按性能需求

指标 最佳 数据
最高 F1 SimpleMem 43.24%
最低延迟 Memobase <100ms
最低成本 Memobase 减少 40-50% LLM 调用

按功能需求

功能 支持项目
记忆追溯 mem0, MemOS, ReMe
记忆衰退 OpenMemory, Memary
记忆强化 OpenMemory, mem0
前瞻预测 EverMemOS
工具记忆 ReMe
群组记忆 EverMemOS

总结

核心洞察

  1. 数据结构趋同: id + content + metadata + embedding 是标配
  2. 分层是共识: 所有项目都有记忆分层
  3. 向量是基础: 向量嵌入 + 相似度搜索是标配
  4. 图是增强: 知识图谱用于关系推理，但非必需
  5. 时间是趋势: 时间感知、事件时间线越来越重要
  6. 成本是关键: 批处理、压缩、缓存是优化重点

技术选型建议

场景 推荐
简单场景 MemGPT
生产环境 mem0 或 Memobase
研究实验 OpenMemory 或 ALMA
高效检索 SimpleMem

报告生成时间: 2026-03-24

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

程序员，关于技术我所知甚少，唯有探索，方得真知。