用途：为智能体实现记忆与状态持久化，使其跨会话保持连续性，并能基于累积知识进行推理。
主要能力：资料按延迟与持久性划分记忆层次，包括工作记忆（上下文窗口、易失）、短期记忆（会话级）、长期记忆（跨会话持久）、实体记忆（实体跟踪）和时序知识图谱（时间感知查询）。同时给出若干系统的性能对比数据，如 Zep（时序知识图谱）DMR 准确率 94.8%、检索延迟 2.58s，MemGPT 93.4%，GraphRAG 75-85%，向量 RAG 60-70%，递归摘要 35.3%。
实现模式：一是文件系统即记忆，用 JSON 文件按实体存储事实与时间戳；二是带元数据的向量 RAG，为事实嵌入附加 entity_id、valid_from、source、confidence 等元数据；三是知识图谱，用关系保留实体间联系；四是时序知识图谱，支持按时间点查询历史状态。资料还说明向量存储的不足：会丢失关系信息，无法回答关联购买类问题，也难以区分当前与过时事实。
实体记忆与整合：跨对话一致跟踪实体身份、属性与关系；在记忆显著累积、检索返回过多过时结果、定期或显式请求时触发整合，流程包括识别过时事实、合并相关事实、更新有效期、归档或删除废弃事实、重建索引。
选型与限制：简单持久化用文件系统记忆，语义搜索用带元数据的向量 RAG，关系推理用知识图谱，时间有效性用时序知识图谱。最佳实践包括按查询需求匹配架构、渐进式披露、用时间有效性避免冲突、定期整合、优雅处理检索失败、考虑隐私、实现备份恢复并监控增长与性能。具体安装命令、依赖与完整代码示例暂未提供。