- 综合排序
- 最热优先
- 最新优先
AI记忆系统对比
一个好的记忆系统，本质上就是一个“抠门且高效的管家”，它能帮你把原本需要几万甚至几十万Token才能说清楚的事情，压缩到几百字。这不仅关乎钱包的厚度，更直接决定了应用的响应速度和用户体验。 以下是为您更新后的终极选型对比表，特别增加了【费用降低效果】列：记忆系统开发团队情况核心范式与特色主打场景/杀手锏费用降低效果(Token/CostSavings)上手难度与集成方式潜在槽点MemoriMemoriLabs
46610编辑于 2026-04-29- 来自专栏服务端技术杂谈
智能体记忆系统
为了解决这一问题，业界开源了Mem0长期记忆系统。 它通过动态的提取、整合、检索对话中的关键信息，赋予了智能体长期记忆的能力。 底座是包含向量数据库和知识图谱架构设计。 最有效的记忆系统会将语义相似性搜索和关系遍历相结合的混合搜索。 当用户问：“其他具有相似风险偏好的客户提出过哪些投资担忧？”
50111编辑于 2026-03-11 - 来自专栏Vegout
Nanobot 记忆系统深度解析
长期记忆是用户的第二大脑，不是日志" ❌ 不会自动把所有对话都塞进去 ❌ 没有复杂的自动摘要算法 ✅ 依赖 LLM 的推理能力判断"什么值得记住" ✅ 保持简洁，只存真正重要的信息 总结 nanobot 的记忆系统通过分层设计解决了记忆膨胀问题
61710编辑于 2026-03-13 - 来自专栏AI SPPECH
MCP 与长期记忆系统结合
MCP v2.0 实现了多记忆系统的协作机制，能够根据不同的查询需求，选择合适的记忆系统进行检索： 查询路由：根据查询类型和需求，将查询路由到合适的记忆系统 结果融合：将来自不同记忆系统的检索结果进行融合和排序 系统切换：当某个记忆系统不可用时，自动切换到备用系统 负载均衡：在多个记忆系统间均衡分配查询请求，提高系统性能和可靠性 3.9 MCP 记忆系统的性能优化 3.9.1 性能优化策略 MCP v2.0 四、与主流方案深度对比 4.1 MCP 记忆系统 vs 传统方案 为了更好地理解 MCP 记忆系统的优势，我们将其与传统方案进行深度对比： 对比维度 MCP v2.0 记忆系统 传统记忆方案 LangChain 记忆系统提供了技术支持 企业数字化转型的需求，为 MCP 记忆系统提供了大量的应用场景 开源社区的活跃，为 MCP 记忆系统的发展提供了强大的动力 参考链接： MCP v2.0 官方文档 MCP GitHub 部署完善的监控和日志系统 定期进行记忆数据备份和恢复测试 持续优化记忆系统性能 关注记忆系统的隐私和伦理问题 关键词： MCP v2.0, 长期记忆系统, 记忆管理 API, 上下文增强检索,
52510编辑于 2026-01-08 - 来自专栏服务端技术杂谈
用文件系统思路设计Agent记忆系统
如果想让智能体更好的服务用户，精准的记住用户的偏好和历史交互细节等信息就非常重要。
32910编辑于 2026-03-11 Agent 记忆系统的标准方案为何失效剖析
开发者Rohit面试失败后，开始深入研究Agent记忆系统，最终构建出生产级方案。核心洞察：记忆是基础设施，不是功能。 写的是垃圾记忆当聊天历史—聊天历史短暂，记忆是结构化表示核心心智模型把Agent当操作系统，不是聊天机器人：RAM：当前对话的快速易失上下文硬盘：持久化、索引化的知识存储垃圾回收：定期维护，否则系统崩溃总结记忆系统的关键在于
18710编辑于 2026-02-12- 来自专栏张善友的专栏
为 openclaw.net 集成 ElBruno.MempalaceNet 记忆系统
这一架构定位与 openclaw.net 的插件生态设计哲学高度一致——通过 MCP 协议，记忆系统不再是被动存储层，而是主动参与推理过程的认知基础设施。 5.2.2 memory_recall：上下文检索与注入 memory_recall 工具是记忆系统的读取接口，支持从简单关键词检索到复杂语义查询的全谱系检索 。 5.2.4 memory_forget：选择性失效与遗忘 memory_forget 工具是记忆系统的删除接口，但其语义并非物理删除，而是逻辑失效 。 5.4.2 外部工具调用与记忆反馈循环 外部工具调用与记忆系统的反馈闭环是复杂推理任务的关键支撑 。 当 LLM 需要调用搜索引擎、代码执行器、数据库查询等外部工具时，工具调用的输入参数、输出结果、以及执行状态均被自动记录至记忆系统，形成可追溯的工具调用链。
30910编辑于 2026-05-04 - 来自专栏代码日志
ChatGPT Dreaming：ChatGPT 新的记忆系统怎么做梦？
最近在探索和从事的事儿： 昨天（6月4日），OpenAI 放了个大招——ChatGPT 的记忆系统全面升级，Sam Altman 亲自发推说"big upgrade to chatgpt memory 但那时候的 Dreaming 只是"补充"了 Saved Memories，还撑不起一个完整的记忆系统。
31900编辑于 2026-06-05 2026年Agent记忆系统方案横评与选型指南
2026年Agent记忆系统方案横评与选型指南AI发展正经历从模型时代向智能体时代再向认知时代的跃迁。 伴随这一进程，Agent记忆系统由辅助模块跃升为核心基础设施，承担“让AI记住过去、理解未来”的使命，支撑跨会话、长周期、多任务的连续智能表现。 其记忆系统以纯Markdown为单一源真理，结合SQLite-vec实现70%向量余弦相似+30%BM25+MMR+时间衰减的混合检索，分层为L1短期会话、L2工作空间核心MD文件、L3长期MEMORY.md OS化记忆中枢：记忆系统成为Agent的操作系统级组件，统一管理多模态、多Agent共享状态。时间图谱深化：引入时间戳与因果边构建事件网络，支撑长周期推理与回溯。 从外挂工具到原生核心，记忆系统正经历从“辅助”到“定义”的蜕变，未来智能体将以持续懂你、跨会话不断线的能力，成为可信赖的第二大脑。
1.4K10编辑于 2026-05-07- 来自专栏DeepHub IMBA
向量存储vs知识图谱：LLM记忆系统技术选型
本文会从问题本身出发，看看构建高效记忆系统需要什么，比较不同架构方案，以及市面上有哪些开源和商业化的实现。 袖珍型事实这块，可以参考ChatGPT的记忆系统。它们大概率用了一个分类器判断某条消息是否包含需要存储的事实。 开源方案 下面是我整理的一些搭建记忆系统的独立解决方案，包括实现原理、架构选择和框架成熟度。 高级LLM应用开发还是个很新的领域，这些方案基本都是最近一两年才出现的。 最后总结 虽然有记忆系统支持，但是也别指望完美。这些系统还是会出现幻觉或者漏掉答案。现在没有系统能做到完美准确，至少目前还没有。研究表明幻觉是LLM固有特性，加记忆层也消除不了这个问题。 希望本文能帮新手理解LLM记忆系统的实现思路。 作者：Ida Silfverskiöld 喜欢就关注一下吧： 点个 在看 你最好看！
49810编辑于 2025-11-15 - 来自专栏TGLTommyAI前沿技术论文
OpenClaw 记忆系统：AI Agent 如何拥有持久记忆
在它的架构中，有一个专门的 Memory System（记忆系统），负责将你与 AI 交互中产生的知识沉淀下来，并在未来的对话中精准地"想起"你需要的内容。 架构：分层设计，各司其职 OpenClaw 的记忆系统位于 src/memory/ 目录下，由约 70 个 TypeScript 源文件组成。 实时同步：三条通道保持记忆鲜活 记忆系统不是一次性的离线构建，它需要随着用户活动持续演进。 结语：让 AI 从"工具"进化为"伙伴" 回顾 OpenClaw 的记忆系统，它的每一个设计决策都指向同一个目标：让 AI 助手与你的交互，从一次次孤立的对话，演变为一段持续积累的关系。
13310编辑于 2026-06-25 基于 MemOS 大模型长记忆系统的架构实践与场景落地
记忆张量团队依托在数据智能、知识图谱领域的技术积淀（核心团队曾主导阿里千亿级数字商业知识图谱构建），研发出 MemOS 大模型长记忆系统，聚焦解决大模型记忆能力短板，同时适配轻量化部署，为架构师提供可复用的长记忆技术落地方案 智能协作：Unity 中国游戏开发效率提升 Unity 中国（技术经理范乃如）将 MemOS 与旗下 Vibe Coding 工具结合，打造游戏开发智能协作新空间： 通过 MemOS 记忆系统存储游戏开发中的代码规范 技术价值与架构复用性 MemOS 大模型长记忆系统的架构实践，为架构师提供三大可复用价值： 技术层面：长记忆算法模块（如 MemScheduler 调度逻辑、PD 分离协同方案）可独立集成至现有大模型应用架构
2.1K20编辑于 2026-01-07- 来自专栏AI人工智能
智能体的记忆系统：短期记忆、长期记忆与知识图谱
本文将深入探讨这些技术，并通过Python/PyTorch代码示例，展示如何实现智能体的记忆系统。智能体记忆系统概述智能体的记忆系统是其核心组件之一，负责存储和管理与环境交互过程中获得的信息。 记忆系统分类与实现智能体的记忆系统可以根据其功能和实现方式，分为以下几类：1. 短期记忆（STM）短期记忆用于存储当前会话或任务的上下文信息，通常具有较短的生命周期。 ", "向量数据库应用", "知识图谱构建"]ground_truth = { "智能体记忆系统": ["智能体是具有自主决策能力的AI系统", "记忆系统包括短期记忆和长期记忆"], 从技术发展趋势来看，我认为未来的智能体记忆系统将呈现以下几个发展方向：多模态记忆融合：未来的记忆系统将不仅仅处理文本信息，还需要整合图像、音频、视频等多模态数据，构建更加丰富和完整的记忆表示。 在实际应用中，我建议开发者在选择记忆系统技术方案时，应该根据具体的应用场景和性能要求进行权衡。
2.1K00编辑于 2025-07-14 - 来自专栏DeepHub IMBA
LangGraph 记忆系统实战：反馈循环 + 动态 Prompt 让 AI 持续学习
构建代理架构 在使用记忆系统工作流之前，需要构建使用它的智能代理。因为本文专注于记忆管理，所以只会构建一个中等复杂的电子邮件助手，模拟在真实场景中探索记忆的工作方式。 像 {response_preferences} 和 {cal_preferences} 这样的占位符是记忆系统的关键。 它们允许动态地从记忆存储中注入代理学到的知识，使其能够随时间调整行为。 每种选择都为记忆系统提供了不同且有价值的信号。 长期记忆系统的工作原理 我们通过本文已经看到代理从反馈中学习，但是背后发生了什么呢？这是一个简单而强大的四步循环，将更正转化为代理的新规则。 整个过程的分解： 反馈是触发器。
1.3K10编辑于 2025-11-15 理解 RAG：大模型的外部记忆系统是如何工作的
无论是企业知识问答、智能客服，还是 Agent 记忆系统，几乎都离不开它的支持。 历史与发展脉络 原理与关键技术（包括“向量”的通俗解释） 与传统检索技术（倒排索引、图索引）的区别 在 LLM 记忆体系中的角色与局限 常见的向量模型、组件与开源框架 以及 RAG 的进化方向 —— 以 长期记忆系统为代表的 "主动记忆系统" RAG 的起源与发展 RAG 的概念最早出现在 Facebook AI（Meta AI） 2020 年的论文： ❝Lewis et al., “Retrieval-Augmented 代表性技术包括 MemGPT、LangGraph Memory 等，以及结合摘要、反思、遗忘机制的长期记忆系统概念。 简而言之： ❝RAG 让模型"能查资料"； 这些记忆系统让模型"能记得事"。
1.3K11编辑于 2025-11-13- 来自专栏得物技术
让 Claude Code 拥有自我进化和记忆系统｜得物技术
但是使用过OpenClaw和Hermes的同学都知道，这2个agent具备持久化记忆系统，这让我开始思考：能不能给ClaudeCode装上一套"长期记忆"系统？ 新功能先在tests/写测试用例，再实现[user]用户是Go专家，TypeScript中级水平>Howtoapply:TS代码解释适当补充类型系统的背景知识EmbeddingLLM：向量化的技术选型记忆系统的语义检索依赖向量嵌入 两套记忆系统的协作整个系统分为两个相互独立又互相补充的记忆维度：六、数据流设计数据流设计从一次工具调用到最终影响下次会话的完整路径：-展开代码语言：TXTAI代码解释1.用户对话中触发工具调用（如Edit 收益四：知识复利效应记忆系统的价值随时间指数增长，而非线性增长：第1个月：规则稀少，主要消除低级错误，ROI较低。第3个月：十余条高置信度规则激活，覆盖主要工作流，每日节省显著时间。
46210编辑于 2026-06-11 Claude Code 记忆系统深度指南：让 AI 跨会话记住你
ClaudeCode记忆系统深度指南：让AI跨会话记住你你一定经历过这种时刻：每次启动ClaudeCode，都要重新说明一遍偏好——"我喜欢用函数式风格"、"测试用pytest"、"提交信息用ConventionalCommits ClaudeCode的记忆系统就是为了解决这个问题——让Claude"懂你"，记住你的偏好、遵守团队规范、执行企业策略。 九、结语从"每次都要说"到"一次设定，长期生效"使用记忆系统前：展开代码语言：TXTAI代码解释你：帮我写个组件Claude：好的，用什么框架？你：React，函数组件Claude：样式方案？ （每次都要重复）使用记忆系统后：展开代码语言：TXTAI代码解释你：帮我写个组件Claude：[已自动加载项目规范和个人偏好]好的，React函数组件+Tailwind样式+Vitest测试。 （一次设定，长期生效）记忆系统的本质记忆系统解决的是上下文传递成本问题：没有记忆系统有记忆系统每次对话都要说明背景背景自动加载偏好每次都要重复偏好持久保存团队规范靠口头传递规范代码化企业合规靠人工检查合规自动生效记忆系统的真正价值
32320编辑于 2026-06-09- 来自专栏软件深度评测
如何在 FlowUs、Notion 等笔记软件中使用间隔重复记忆系统？
那么，为了强化记忆，便需要根据记忆的遗忘规律，使用对抗的记忆系统。这便是间隔重复，主张按照一定的间隔对你的所学知识进行复习，以便将你新学习的内容固定到你的脑海。 为你的笔记软件加上记忆系统目前，在各大应用市场只有极少数软件内置了间隔重复系统，比如国外的双链大纲编辑器 RemNote. 那么，对于绝大多数没有间隔重复功能的笔记软件而言，我们如何将间隔重复这种高效的记忆系统与自己的笔记软件联动起来呢？在介绍我对解决办法之前，我先对我的笔记软件进行粗略介绍。
1.1K20编辑于 2022-06-23 Agent记忆治理-从规则文件到长期的记忆系统
但它们更像是Agent启动时读取的一份“工作说明书”，不是完整的记忆系统。 RAG适合召回资料，但不等于完整记忆系统。真正的记忆系统不仅要能搜，还要能写入、更新、晋升、删除、隔离敏感信息，并且要能解释这条记忆从哪里来。向量检索当然有价值，但对代码项目来说，词法命中也非常重要。 五、记忆系统会不会增加token消耗这是一个很合理的担心。很多人一听“记忆系统”，第一反应是：是不是又要把更多东西塞进prompt？好的记忆系统不应该这样做。
19800编辑于 2026-06-04- 来自专栏程序那些事儿
告别 Anki，用 Obsidian 闪卡打造你的高效记忆系统！
一张卡片，正面是单词，背面是释义。看似简单，却让我第一次感受到 主动回忆 的力量。
12611编辑于 2026-06-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号