agent-记忆-01

大型语言模型（LLM）聊天机器人（智能助手）具备长期记忆功能，是 AI 应用中一个非常重要的方向。本文档提供系统性的技术概述，重点介绍记忆管理架构、关键组件和核心功能，使聊天机器人能够记住用户信息、个人偏好和对话历史记录，从而为个人助理等应用程序提供更优质的服务。

业界进展

MEM0

旨在增强具有持久性，上下文记忆功能的AI助手和代理。该系统使AI应用程序能够记住用户偏好，随着时间的推移从交互中学习，并通过将大语言模型（LLMS）与基于向量的存储和图形关系相结合来提供个性化响应。重要特性：持续记忆(自动从对话中提取和存储重要信息)，上下文检索(使用语义搜索查找相关的过去互动)，关系跟踪(通过图表存储维护实体关系)，内存管理（不断更新和解决存储信息中的矛盾），多级内存(支持用户，会话和代理级内存上下文)，https://github.com/mem0ai/mem0

MemoryScope

是一个综合框架，旨在配备具有长期记忆功能的大型语言模型（LLM）聊天机器人。使聊天机器人能够在延长期间记住用户信息，偏好和对话历史记录，从而使其对个人助理和情感伴侣等应用程序更有效。提供了一个模块化框架，该框架可以通过分层体系结构来处理存储器存储，检索，整合和反射。该系统将前端操作（检索）与后端操作（合并和反射）分开，从而确保用户交互的低延时，同时保持全面的记忆管理功能。

https://github.com/modelscope/memoryscope

MemoryBank-Siliconfriend

是一个新颖的框架，可增强具有类似人类的长期记忆能力的大型语言模型（LLM）。旨在解决传统LLM的基本局限性：他们无法在对话中维护和利用长期的个性化记忆。该系统实现了Ebbinghaus(艾宾浩斯遗忘曲线)启发的遗忘曲线机制，使LLMS能够：在对话中访问相关的过去回忆，通过记忆更新不断发展记忆，通过综合过去的互动来适应用户个性，根据他们的意义和时间有选择地忘记或加强记忆。

https://github.com/zhongwanjun/MemoryBank-SiliconFriend

awesome-ai-memory

是一篇关于agent记忆相关的综述论文，将记忆其分为参数化记忆和上下文记忆两种类型。介绍了六种基本的记忆操作：巩固、更新、索引、遗忘、检索和压缩，并将其映射到长期、长上下文、参数修改和多源记忆等关键研究领域。通过将记忆系统通过原子操作和表示类型进行重新构建，本文提供了一个结构化和动态的视角，澄清了基于大型语言模型 (LLM) 的代理中的功能互动，并概述了未来研究的潜在方向。https://github.com/topoteretes/awesome-ai-memory

通过从用户互动中持续学习来增强Agent的知识。它充当一个存储层：从用户交互中存储聊天消息和数据工件，

建立和维护时间知识图来跟踪不断变化的关系，为后续互动提供快速检索相关事实；Zep的核心保持了一个时间知识图，该图捕获了具有历史意识的事实的上下文信息，使AI代理人能够对状态随着时间的变化进行推理。

https://github.com/getzep/zep