用途
该技能用于智能体系统中的持久化语义记忆设计，帮助智能体在会话结束后仍能保留知识、跨会话保持连续性，并对累积知识进行推理。它覆盖从简单上下文记忆到分层记忆架构的完整设计路径，适用于构建需要跨会话持久化知识的智能体、在记忆框架之间做选型、维护跨对话的实体一致性、对累积知识进行推理、设计可扩展的生产级记忆架构、依据基准评估记忆系统，以及构建具备自动实体/关系抽取与自我改进能力的动态记忆。
该技能不负责相邻领域的工作：文件支撑的草稿本、运行日志与工具输出卸载属于 filesystem-context；对话压缩或人类可读的交接摘要属于 context-compression；单条轨迹内的掩码、前缀缓存、token 预算或检索范围限定属于 context-optimization；基于 RDF 状态的正式信念/欲望/意图模型属于 bdi-mental-states。
主要能力
生产框架选型。 技能给出框架对比表，按智能体主要检索模式选择：Mem0 为向量存储加图记忆、后端可插拔，适合多租户系统与广泛集成，但对多智能体支持较弱；Zep/Graphiti 为时间知识图谱、双时间模型，适合需要关系建模与时间推理的企业场景，但高级功能锁定在云端；Letta 为带分层存储（上下文内/核心/归档）的自编辑记忆，适合完整智能体自省与有状态服务，对简单用例偏复杂；Cognee 通过可定制 ECL 管道与可定制任务构建多层语义图，适合会演化学习的智能体记忆与多跳推理，但摄取时处理较重；LangMem 为 LangGraph 工作流提供记忆工具，适合已使用 LangGraph 的团队，但与 LangGraph 紧耦合；文件系统方案使用带命名约定的普通文件，适合简单智能体与原型，但没有语义搜索与关系。
基准表现参考。 技能列出 DMR 准确率、LoCoMo、HotPotQA（多跳）与延迟等维度的对比，涉及 Cognee、Zep（时间 KG）、Letta（文件系统）、Mem0、MemGPT、GraphRAG 与向量 RAG 基线。技能强调这些是特定来源的检索维度信号而非绝对排名，任何单一基准都不具决定性，基准数字属于有时效的证据，在做出产品声明前必须重新核对。
记忆分层决策。 按持久化需求选择最浅的层：工作记忆仅存在于上下文窗口，用系统提示中的草稿本实现，始终需要并应利用注意力偏好的位置优化；短期记忆为会话范围，用文件系统或内存缓存实现，用于中间工具结果与对话状态；长期记忆跨会话，用键值存储到图数据库实现，用于用户偏好、领域知识与实体注册表；实体层跨会话，用实体注册表加属性实现，维护身份一致性；时间 KG 跨会话加历史，用带有效区间的图实现，用于随时间变化的事实、时间旅行查询与防止上下文冲突。
检索策略。 语义检索（嵌入相似度）适合直接事实查询，在多跳推理上会退化；基于实体的图遍历适合“告诉我关于 X 的一切”，但需要图结构；时间过滤适合随时间变化的事实，但需要有效性元数据；混合检索（语义加关键词加图）整体准确率最佳，但基础设施要求最高。Cognee 通过跨图、向量与关系存储的多种搜索模式实现混合检索。
记忆整合。 定期运行整合以防止无界增长，因为不受控的记忆累积会随时间降低检索质量。应使记忆失效而非丢弃，保留历史对需要重建过去状态的时间查询很重要。整合可由记忆数量阈值、检索质量下降或计划间隔触发。
错误恢复。 按顺序应用恢复策略：检索为空时回退到更宽泛的搜索（移除实体过滤、放宽时间范围），仍为空则向用户请求澄清；结果陈旧时检查 valid_until 时间戳，若多数结果已过期则先触发整合再重试；事实冲突时优先选择 valid_from 最新的事实，置信度低时向用户呈现冲突；存储失败时将写入排队重试，绝不让记忆写入阻塞智能体响应。
使用方式
技能提供代码示例。Mem0 集成示例展示添加用户偏好并检索当前偏好而非过时偏好；时间查询示例展示创建带有效期的关系并查询特定时间点的状态；Cognee 示例展示通过 add、cognify、memify 摄取并构建知识图谱，再以 GRAPH_COMPLETION 搜索类型检索关系感知的上下文。
实践指导给出架构升级路径：原型阶段使用文件系统记忆，将事实存为带时间戳的结构化 JSON；扩展阶段在需要语义搜索与多租户隔离时迁移到 Mem0 或带元数据的向量存储；复杂推理阶段在需要关系遍历、时间有效性或跨会话综合时加入 Zep/Graphiti；完全控制阶段在智能体需要深度自省并自我管理记忆时使用 Letta 或 Cognee。集成方面，应即时加载记忆而非预加载全部，并将检索到的记忆放在注意力偏好的位置。
适用场景
适用于构建跨会话持久化知识的智能体、在 Mem0/Zep/Letta/LangMem/Cognee 之间选型、维护跨对话实体一致性、对累积知识推理、设计生产级可扩展记忆架构、依据 LoCoMo/LongMemEval/DMR 评估记忆系统，以及构建带自动实体关系抽取与自我改进的动态记忆。
限制与注意事项
技能列出若干常见陷阱：把所有内容塞进上下文代价高昂且降低注意力质量；忽略时间有效性会让过时信息污染上下文；过早过度工程化，简单文件系统记忆在某些基准上可能优于更专门的工具；没有整合策略会导致无界增长并降低检索质量；嵌入模型不匹配（写入与读取使用不同模型）会产生糟糕检索，应为每个记忆存储固定单一嵌入模型，模型变更时重新嵌入所有条目；图模式僵化（固定节点类型与关系标签）在领域演化时会失效，应优先使用通用关系类型与灵活属性包；陈旧记忆污染会静默破坏智能体行为，应实现过期策略或置信度衰减；记忆与上下文不匹配（主题相关但语境错误）可通过在记忆条目中包含会话或领域元数据并在检索时过滤来缓解。此外应考虑持久化记忆的隐私影响（保留策略、删除权），并在生产环境监控记忆增长与检索延迟。
相关技能与参考
内部参考包括实现参考（从零实现向量存储、属性图、时间查询或记忆整合逻辑时阅读）。相关技能包括 context-fundamentals（设计记忆所服务的上下文层）、multi-agent-patterns（多智能体共享或协调记忆状态）、filesystem-context、context-compression、context-optimization、context-degradation、bdi-mental-states、evaluation。外部资源包括 Zep 时间知识图谱论文（arXiv:2501.13956）、Mem0 生产架构论文（arXiv:2504.19413）、Cognee 优化知识图谱加 LLM 推理论文（arXiv:2505.24478）、LoCoMo 基准、MemBench 评估框架（ACL 2025）、Graphiti 开源时间 KG 引擎（github.com/getzep/graphiti）、Cognee 开源知识图谱记忆（github.com/topoteretes/cognee）以及 Cognee 的 Form vs Function 对比。技能元数据：创建于 2025-12-20，最后更新 2026-05-15，作者为 Agent Skills for Context Engineering Contributors，版本 4.1.0。