2026 年 6 月，智能体的"记忆"已经从一个被低估的工程细节，升级为一个独立的采购决策。一份面向 500+ 智能体的横向追踪报告给出了三组决定性数字：把全部对话历史塞进上下文窗口的朴素做法，中位检索延迟高达 9.87 秒、p95 延迟 17.12 秒，而专用记忆内核能将 p95 压到 1.44 秒（12 倍提升），同时节省约 90% 的 token 成本。智能体记忆基础设施市场也从 2025 年的约 63 亿美元 跃升至 2030 年预计的 285 亿美元（35% CAGR）。更关键的是行业认知的转变——记忆（durable）与上下文（selected working set）不是同一层：模型从不直接"用记忆"，它只用上下文；记忆的价值，只在于在正确的时刻被检索、过滤、组装进上下文。本轮横评聚焦六种截然不同的记忆内核架构，拆解它们的分页、图谱、多存储与作用域机制，并评估各自的变现与训练营可行性。
| 框架/工具 | 核心架构 | 长期存储 | 时序/图谱 | 上手难度 | 变现潜力 | 最适场景 |
|---|---|---|---|---|---|---|
| Letta（MemGPT） | 操作系统式虚拟内存分页 | recall + archival 双层 | 插件式（Zep/Mem0/图） | 中高 | 高（企业长程） | 持久人格、长期伴侣 agent |
| Zep / Graphiti | 时序知识图谱 | 事实+关系+有效期 | 原生（Graphiti） | 中 | 高（合规行业） | 金融、医疗、CRM 事实演化 |
| Mem0 | 多存储聚合（向量+图+KV） | 跨 user/agent/session | Neo4j/Kuzu 图层 | 低 | 极高（SaaS） | 个性化聊天、记忆 API |
| LangMem / LangGraph Store | 框架原生命名空间存储 | namespace + 语义检索 | 无原生时序 | 低 | 中（生态课） | LangGraph 工作流记忆 |
| CrewAI | 统一作用域 + 召回评分 | crew/agent/flow 作用域 | 弱 | 极低 | 中 | 多智能体开箱记忆 |
| OpenAI Agents SDK / Anthropic | 上下文管理优先 | 沙箱/文件记忆（外置） | 无（自建） | 中 | 高（上下文工程） | 模型原生、无供应商锁定 |
Letta 是六栈中架构最具辨识度的一个，其核心思想借自操作系统设计——把 LLM 上下文当作虚拟内存：根据当前需要主动把信息"换页"进/出，而非被动累积。它采用双层模型：主上下文（main context）持有活动在窗口内、通过函数调用访问的记忆；外部上下文则包含两个存储——recall storage（近期对话 + 向量检索）与 archival storage（长期事实 + 语义检索）。智能体通过显式工具 core_memory_replace、archival_memory_insert、conversation_search 在层级间搬运记忆。
from letta import Agent
agent = Agent(
name="long_companion",
memory_blocks=[
{"label": "human", "value": "用户偏好简短回复，母语中文"},
{"label": "persona", "value": "我是跨会话记忆助手"},
],
)
# 智能体自调用 archival_memory_insert / conversation_search 换页
agent.sendMessage("上周我们讨论的续约金额到底是多少？")
2026 年 4 月，Letta 推出了 Letta Code（本地运行的个性化 agent）与 Conversations API（在并行用户会话间维持共享记忆），正面回应多用户一致性问题。它的杀手锏是控制权——支持 MongoDB、Weaviate、Mem0、Zep 等可插拔后端，企业可自拥数据层。定价上 API 按 $0.00015/秒工具执行计费，自托管每月 5–10 美元。优点是长程一致性远超单窗口能力、后端可插；缺点是企业定价不透明、显式工具调用增加 token 与延迟开销、学习曲线陡。变现评估：最适合做"持久人格/长期伴侣 agent"训练营，以"永不忘的客服"为卖点，客单价可观。
Zep 的差异化在于其 Graphiti 引擎——一个时序感知的知识图谱，不只存事实，更追踪事实如何随时间变化。当用户的公司被收购、角色变动、既定偏好被更新时，Graphiti 既保留历史关系，又能正确浮出当前状态——这是扁平向量库在结构上无法提供的。性能数据极具竞争力：200ms 检索延迟，在 LongMemEval 基准上比竞品高出 15 个百分点，在 Deep Memory Retrieval 上取得 94.8% 准确率（对比 MemGPT 的 93.4%）。
from zep_cloud import Zep
client = Zep(api_key="...")
# 按"当前有效"过滤——自动剔除已被覆盖的旧事实
session = client.memory.add_session(user_id="alice")
client.memory.add(session.id, text="Alice 的 ARR 是 42 万美元（3 月续约后）")
res = client.memory.search(session.id, text="Alice 当前 ARR")
定价是四家最透明的：免费起步档 + $25/月 Flex（含完整 Graphiti、时序推理、实体消歧），按"episode"（一条消息/JSON/文本块）计费、无存储费。同时提供 SOC 2 Type II 与 HIPAA BAA，是少数能直接进受监管行业的记忆厂商。优点是事实演化追踪与来源溯源；缺点是比 Mem0 的多存储通用性更专、需要前期更细心的图建模。变现评估：金融、医疗、长程企业工作流场景下"时序真相"卖点极强，适合做合规行业落地的垂直训练营。
Mem0 过去 18 个月的轨迹堪称现象级——2025 年 10 月完成 2400 万美元 A 轮（Basis Set 领投，Peak XV、GitHub Fund、YC 跟投），被 AWS 选为 Agent SDK 的独家记忆供应商，GitHub 星标突破 4.8 万。它的架构押注"多存储灵活性"：不押单一方案，而是向量检索（语义相似）+ 图关系（实体连接）+ KV（快速结构化查找）三者并用。图层在 2026 年初从实验转生产，支持 Neo4j 与 Kuzu（嵌入式，无需独立服务器），近期又加入 Cassandra 与 Valkey。
from mem0 import Memory
m = Memory()
m.add("用户每周三健身，乳糖不耐受", user_id="u_42", metadata={"cat": "preference"})
hits = m.search("饮食限制", user_id="u_42") # 跨 user/agent/session 作用域
m.update(memory_id=..., data="改为每周五健身") # 自动覆盖旧值
其论文声称 26% 相对准确率提升、91% 更低 p95 延迟、90% token 节省（自家 ArXiv 论文，独立复现仍需等待）。定价对初创友好：Hobby 免费（1 万条/月）、Starter $19（5 万条）、Pro $249（无限 + 图 + 分析）。优点是社区最大、多存储灵活、托管省心；缺点是广度的另一面——运维复杂度上升，团队需自行决定"哪种检索模式查哪个存储"。变现评估：API-first、社区庞大，最适合做"记忆层 SaaS"训练营与入门课，是六栈中变现实操性最强的。
LangMem 是 LangChain 对记忆问题的回答——2025 年推出的开源 SDK，原生集成进 LangGraph 长期记忆层。它的接口刻意保持简单：create_manage_memory_tool 存记忆、create_search_memory_tool 取记忆，以 namespace（通常按 user_id）做隔离防串号。它支持标准三类记忆：episodic（具体交互）、semantic（概念关系与个性化事实）、procedural（标准做法与动作序列）。底层是 Store API——put/get/search 加语义检索，持久化于线程之外。
from langgraph.store.memory import InMemoryStore
from langmem import create_manage_memory_tool, create_search_memory_tool
store = InMemoryStore() # 生产换 Postgres/Redis
manage = create_manage_memory_tool(namespace=("user", "{user_id}", "notes"))
search = create_search_memory_tool(namespace=("user", "{user_id}", "notes"))
# store.search(("user","u_42","notes"), query="饮食", limit=3)
诚实的评价是：LangMem 是已经投资 LangChain 生态、想以最低集成开销拿到记忆的团队的正确选择。但若纯粹评估记忆能力，Letta、Zep、Mem0 都有更成熟的生产履历——LangMem 2025 年才发布，在多数竞品已多年实战的市场里追赶。优点是集成零摩擦、框架无关、存储后端可换；缺点是成熟度靠后、非完整平台。变现评估：最适合作为 LangGraph/LangChain 体系课程的一个模块，门槛低、适合做"框架原生记忆"入门课。
CrewAI 的记忆是"框架原生的多智能体记忆"——为 crew、agent、flow、独立脚本服务。其最新模型采用统一的 Memory 类，具备 semantic/recency/importance 三重评分与分层作用域（crew/agent/flow/project），并引入 LLM 辅助的作用域、类别、重要性推断——这是从"追加式日志"向"自编辑记忆"的实质进步。传统上 CrewAI 提供短期记忆（当次运行内）、长期记忆（跨次持久）、实体记忆（关于人/组织的结构化知识）与用户记忆（个性化）四类。
from crewai import Crew, Agent, Task
crew = Crew(
agents=[researcher, writer],
tasks=[...],
memory=True, # 一行开启四类记忆
embedder={"provider":"openai",
"config":{"model":"text-embedding-3-small"}},
verbose=True,
)
优点是对 CrewAI 工作流近乎零配置、开箱即用、自动从任务输出抽取记忆；缺点是记忆被锁在 CrewAI 执行模型内，无意成为全公司的"组织上下文层"，跨系统治理能力弱。变现评估：作为多智能体协作训练营的"记忆开箱即用"卖点，配合 CrewAI 的角色化叙事，对产品经理与运营人群友好，适合做低门槛工作流课。
这条路线的特别之处在于：模型厂自己不下场做重型记忆基础设施，而是把记忆重新定义为"运行时上下文管理"。OpenAI Agents SDK 用 context（context_variables）在线程内传递状态，并用沙箱记忆（sandbox memory）把上一次运行的信息蒸馏成持久的工作区记忆，而非依赖实时转录；Anthropic 则把"主动上下文编辑"与"基于文件的持久记忆工具"配对——把活跃上下文保持聚焦，同时把耐用洞察存在窗口之外。
# OpenAI Agents SDK：context 在 handoff 间天然流转
from agents import Agent, Runner
async def run():
ctx = {"user_profile": {}, "open_issues": []} # 自管状态
res = await Runner.run(triage_agent, "跟进上周的账单问题", context=ctx)
# 持久化需自带 Mem0 / 文件 / DB（无原生长期图存储）
优点是模型原生、无记忆基础设施供应商锁定、沙箱/文件记忆天然契合编程与科研 agent；缺点是开箱即用时没有时序/图推理能力，团队需自建记忆底座（Mem0 之类常作为 drop-in 补齐）。变现评估：适合教"上下文工程（context engineering）"而非"记忆框架"——这条路线正在成为新的金矿，因为 Anthropic 与 OpenAI 正亲自定义它。
flowchart TB
U[用户/任务] --> AR[Agent Runtime<br/>规划·工具选择·推理循环]
AR -->|写回| FORGET{遗忘与编辑层}
AR -->|按需检索| CTX[上下文组装层<br/>过滤·排序·压缩·溯源]
CTX --> WM[工作记忆<br/>当前窗口/便签]
subgraph MEMORY[持久记忆内核 - 六栈之争]
direction LR
L1[Letta<br/>虚拟内存分页]
L2[Zep/Graphiti<br/>时序知识图谱]
L3[Mem0<br/>向量+图+KV 多存储]
L4[LangMem<br/>命名空间 Store]
L5[CrewAI<br/>作用域+召回评分]
L6[SDK/Anthropic<br/>沙箱/文件外置]
end
CTX <-->|检索/写入| MEMORY
FORGET -->|淘汰旧事实·去重·覆盖| MEMORY
MEMORY -.->|MCP 标准化接口<br/>跨模型/环境可移植| AR
style CTX fill:#ffe4b5
style FORGET fill:#ffd0d0
style MEMORY fill:#e0f0ff
图中刻意把遗忘与编辑层单独画出——这是 2026 年记忆系统从"只追加日志"升级为"可自编辑、可淘汰"的关键，也是多数团队尚未正视的工程债。
所有六栈都声称支持多会话一致性，现实却更骨感。单智能体一致性（时间连贯：新信息融入且不与既定事实矛盾）已被现代记忆系统基本拿下；多智能体一致性（并发 agent 读写共享记忆）才是硬骨头——当两个 agent 同时更新同一用户记忆时，可见性与顺序问题立刻浮现，迭代修订下的冲突解决仍是开放研究问题。2026 年 3 月的 arXiv:2603.10062 明确指出三类长跑部署中的失效模式：持久记忆漂移、幻觉式回忆、偏见传播——尚无厂商完全解决。
基准面也在分化：BEAM 把长对话推到 1000 万 token，发现长上下文模型随对话增长仍会失稳；LongMemEval-V2 测试 agent 能否像老练同事那样积累环境经验（工作流、界面坑、动态状态）；MemoryBench 则考向持续学习。结论不是某个基准加冕某家，而是记忆能力本身在碎片化：时序推理、多会话连续性、用户反馈学习、工作区经验、长程召回、流程改进——是六条不同赛道。
值得注意的是 MCP 标准化（Anthropic 的 Model Context Protocol 已广泛采用）正在为记忆持久化创造标准接口，使 agent 切换模型或部署环境时不丢上下文。六栈都在不同程度地走向 MCP 支持——这意味着记忆层正从"绑定某框架"走向"可移植基础设施"，这也正是 65% 企业采用"自建核心工作流 + 外购记忆基础设施"混合策略、仅 10% 全靠单一供应商的根本原因。
memory=True 即启用四类记忆。一句话收束：上下文窗口不是记忆系统，记忆系统也不是上下文——在 2026 年，这个区分终于成了一项采购决策。能率先把"遗忘工程"与"上下文组装"做扎实的团队，将在 agent 记忆这场从 63 亿奔向 285 亿美元的竞速中，拿到最厚的护城河。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。