Agent Memory · 记忆专题
当模型和工具趋同，记忆会成为 Agent 最明显的差异化能力：会记住、会学习、会和你一起成长的 Agent 才会胜出。 这个专题把散落在概念、研究、方法论里的记忆内容收拢成一条线：从「为什么需要记忆」→「业界怎么做」→「怎么调研判断」→「怎么动手」。
怎么读这个专题
| 阶段 | 读什么 | 一句话 |
|---|---|---|
| ① 为什么 | 从 RAG 到 Agent Memory | RAG 被降级为原语，Memory / Context Engineering 是新战场 |
| ① 入门 | mem0：记忆是什么·为什么·怎么做 | mem0 创始人入门文 · 记忆 vs 上下文窗口 vs RAG · 短期/长期记忆分类 |
| ② 业界怎么做（商用） | AI 记忆模块调研报告 | OpenAI / Claude Code / Claude 三家方案 8 维度对比 + 实现细节 |
| ② 业界怎么做（开源） | 开源 AI 记忆项目深度拆解 | Letta / mem0 / Graphiti / Cognee / Memobase / A-MEM 六项目逐维拆解 |
| ③ 怎么调研判断 | 记忆模块调研方法论 | 调研任意记忆模块该看的 8 维度 + 可复用打分表 |
| ④ 实战复盘 | 短期+长期记忆实战 | 读完 mem0 后手搓一个短期+长期记忆层的复盘（pin 系统提示 / 行级隔离 / 写穿透） |
| ⑤ 怎么动手 | code/memory/（仓库内代码） | 把记忆代码「串进 agent 循环」的 Demo |
上下文窗口怎么管（滚动摘要 / context rot / prefix caching / 三难权衡与六大解法）已拆到姊妹专题 Context Engineering · 上下文工程——上下文是工作记忆（L1），本专题聚焦短期（L2）/ 长期（L3）记忆与跨会话召回。
相关内容（不在本目录但强关联）
- MemGPT / Letta 入门指南 — 用秘书比喻理解三级记忆（core / recall / archival）
- Karpathy 的 Memory 思想脉络 — LLM OS → LLM Wiki → Agent Memory
- Agent 生态 2026 — 记忆作为「创新空白」的行业背景
一句话结论
记忆不是「把更多东西塞进上下文」，而是构建一个会演化、会取舍、跨会话持久的内部状态。判断一个记忆方案好不好，本质是回答三件事：管什么记忆（架构）→ 工程上怎么用（成本 / 可观测）→ 到底比「全塞进上下文」强多少（评估）。