用途：为智能体设计记忆持久化层，使其跨会话保持连续性并能对累积知识进行推理。简单智能体仅依赖上下文，会话结束即丢失状态；复杂智能体采用分层记忆架构，在即时上下文需求与长期知识保留之间取得平衡。
主要能力：比较生产框架（Mem0、Zep/Graphiti、Letta、LangMem、Cognee）；设计记忆分层（工作记忆、短期、长期、实体、时序知识图谱）；选择检索策略（语义、实体遍历、时序过滤、混合）；执行记忆整合；处理检索失败与冲突事实。
框架选择：需要双时序建模选 Zep/Graphiti；追求快速上线与托管基础设施选 Mem0；需要深度自省选 Letta；需要稠密多层语义图选 Cognee；已在 LangGraph 上选 LangMem；简单原型用文件系统。基准显示 Letta 文件系统智能体在 LoCoMo 上达 74%，高于 Mem0 的 68.5%；Zep 在 LongMemEval 上最高提升 18.5% 准确率并降低 90% 延迟；Cognee 在 HotPotQA 多跳推理上表现领先。
使用方式：从文件系统记忆起步，仅在检索质量下降时增加复杂度；为可变事实记录时序有效性；采用混合检索；定期整合记忆（失效但不丢弃）；设计检索失败回退；对持久记忆考虑隐私与保留策略；变更前后用 LoCoMo 或 LongMemEval 基准测试；监控记忆增长与检索延迟。
限制与注意：避免把所有记忆塞入上下文、忽略时序有效性、过早过度工程、无整合策略、嵌入模型不一致、图模式僵化、陈旧记忆污染、记忆与上下文不匹配。具体安装命令与代码示例资料中未提供完整内容。