用途 该技能面向生产级智能体（Agent）的记忆架构设计。核心理念是：对话历史不等于记忆，生产环境需要分层存储，包括上下文内的热记忆、向量召回温层与冷归档层，并为随时间变化的事实引入时序知识图谱。
主要能力
- 后端选型：mem0（自我改进、事实抽取、开源，适合个性化与对话记忆）；Letta（MemGPT，操作系统式分层记忆与持久化，适合长期运行进程式 Agent）；Zep/Graphiti（双时序知识图谱，适合事实随时间变化且需要历史追溯）；LangMem（LangGraph 原生、简单，适合已在 LangGraph 上且不想引入额外服务）；Postgres + pgvector（自建、完全可控，适合合规或本地部署要求）。
- 分层设计：核心层（上下文内，身份与规则，小于 2k tokens）、召回层（向量搜索，最近 N 个会话，10 万级以上条目）、归档层（冷存储，完整历史，无上限）。晋升规则为归档经检索进入召回、召回经反复使用进入核心；淘汰规则为核心在 token 压力下退回召回、召回随陈旧退回归档。
- 时序与快照对照：快照模式以最新值优先（mem0 默认），简单但丢失历史；时序（双时序）模式中每个事实带有 valid_from、valid_to、recorded_at，适用于需要回答“昨天智能体认为什么”的场景。Graphiti/Zep 开箱提供双时序，自建则需（实体、关系、值、t_valid_start、t_valid_end、t_recorded）元组。
- 隐私模式：按租户隔离记忆命名空间，不跨用户共享嵌入；嵌入前用 Presidio 检测 PII；召回层设 TTL（如 90 天），归档层显式保留；支持用户发起的遗忘（从所有层硬删除并重建索引）。
使用方式 资料提供 mem0 与 Graphiti 两段快速开始代码（含导入、添加记忆、检索等调用），以及后端选择表与分层设计图，可据此确定后端与层级布局。
适用场景 跨会话记住用户偏好、多会话任务连续性（长时研究等）、重启后仍保留的个性化、多租户严格隔离的 Agent、以及价格/状态/关系等随时间变化的事实管理。
限制 资料未提供安装命令、收费信息、性能指标与完整实现步骤，需结合所选后端自行补充；自建双时序需要额外设计数据结构。