记忆系统设计

它解决什么问题

把 Agent 的知识塞进上下文窗口，每次会话都从零开始——用户偏好、历史决策、已失效的旧信息都会丢。这个技能处理的是跨会话持久语义记忆：让 Agent 在不同对话之间记住同一个用户的同一件事，同时知道哪些信息已经过期。它不解决缓存、遮蔽、上下文压缩或工具输出外置；只解决需要跨会话保留并按语义或关系检索的长期知识。

它怎么工作

技能按五步推进：

1. 先缩小框架短名单：Mem0 适合多租户、向量+图记忆；Zep/Graphiti 提供双时序知识图，适合按事件时间和摄入时间做历史查询；Letta 适合自编辑记忆和分层存储；Cognee 适合会演化、需要多跳推理的多层语义图；LangMem 只在已使用 LangGraph 时考虑。基准分数是参考信号，不是选型依据。
2. 选最浅记忆层：上下文内 → 会话级 → 跨会话 KV → 实体注册表 → 时序知识图。每层都有基础设施成本，只有浅层无法满足检索或持久性需求时才升级。
3. 匹配检索策略：直接事实用语义向量，关于 X 的一切用实体图遍历，会变化的事实加有效期过滤，混合检索最准但最重。
4. 定期合并：按内存阈值、检索质量下降或定时间隔触发；合并用 invalidate 不 discard，保留历史以支持重建过去状态。
5. 即时加载与恢复：按需检索而不是全量预载；空结果先放宽过滤，仍空则问用户；陈旧先合并再试；冲突取 valid_from 最新，低置信则暴露给用户。

适用边界

这个技能只做持久语义记忆。文件级草稿、运行日志和工具输出外置归 filesystem-context；对话压缩和人读交接摘要归 context-compression；上下文预算内的加载和检索收窄归 context-optimization；需要形式化信念、愿望、意图建模时归 bdi-mental-states。如果只是要临时缓存或前缀复用，不需要上记忆层。