国内还在卷提示词模板的时候，海外开发者圈已经悄悄把一件事做成了独立的基础设施：给AI装一个长期的、跨会话的记忆层。
你肯定遇到过这种憋屈：跟ChatGPT聊得好好的，第二天开个新会话，它把你忘得一干二净；客服机器人昨天刚登记过你的手机号，今天再问一遍；Agent跑了半小时的任务，中途重启一次，全部从头来。大多数人以为这是“模型不行”，其实模型记不住东西是天性——上下文窗口再大，也不可能把你一年的对话全塞进去，就算塞进去，token费也够你喝一壶。
真正的解法在模型外面：加一层独立的“记忆系统”。它负责从对话里抽取事实、存起来、在需要的时候捞出来塞回提示词。这个赛道在海外已经跑出了三个风格完全不同的开源玩家，GitHub上都是几千星级的活跃项目，但国内社区对这个方向的系统讨论还很少——大部分人手上项目的“记忆”，还是把聊天记录整段砍了塞回prompt，或者干脆用向量库手搓一个粗版RAG糊弄事。
这篇文章把三个工具一次讲透：Mem0、Letta、Zep（Graphiti）。看完你至少知道自己的项目该抄哪家的作业。
在讲工具之前，先把架构图放在这，后面三家的差异全都能对着这张图理解：
flowchart TD
U["用户消息进来"] --> E["记忆层：抽取事实"]
E --> S{"和已有记忆冲突？"}
S -->|是| UP["更新旧记忆"]
S -->|否| ADD["写入新记忆"]
UP --> DB[("记忆库：向量或图谱")]
ADD --> DB
U --> Q["带着当前问题去检索"]
Q --> DB
DB --> R["召回相关的那几条"]
R --> P["拼进最终Prompt"]
P --> L["LLM作答"]
L --> A["回复里带着历史的你"]
注意两个关键点：
海外的三个玩家，正好对应三种“存记忆”的哲学：存成事实卡片（Mem0）、存成分层工作区（Letta）、存成知识图谱（Zep/Graphiti）。
项目地址：https://github.com/mem0ai/mem0 （官网 mem0.ai）
Mem0的定位最直白：不想让你改架构，只想让你在现有代码里加两行。
pip install mem0ai
然后核心API就两个动作：
m.add(对话内容, user_id=...) —— 从这段对话里自动抽取事实存起来m.search("用户预算多少？", user_id=...) —— 按当前问题召回相关记忆抽取和检索这一来一回，中间的embedding、去重、冲突更新全由它包了。它的开源核心支持接OpenAI、Anthropic，也支持通过Ollama接本地模型——也就是说你可以整套跑在自己机器上，一行APIkey都不用给外面。对国内用户来说这是个关键加分项：数据不出本地，也没有海外服务的网络问题。
它同时有托管平台版（Mem0 Platform），不想自己维护存储的可以直接用云服务。这种“开源核心+托管收费”的双轨结构，和Supabase、Langfuse是一个打法，个人玩开源版，公司化用托管版。
适合谁： - 给自家Chatbot/客服/教练类应用加“记得用户”的能力，今天下午就想上线 - 用Dify、FastAPI之类搭应用，不想为记忆重构代码的 - 个人开发者——这是三个里面上手成本最低的，Python两行起步
和国内方案的对比：国内常见的做法是把历史对话截断塞回system prompt，或者拿pgvector手搓一个向量召回。前者费token还容易超窗，后者你得自己解决“什么时候写入、怎么去重、旧信息怎么覆盖”这些脏活——这些恰恰是Mem0封装掉的部分。国内编排平台（Dify、扣子）里记忆基本是“变量+会话历史”的思路，独立记忆层的选型和讨论都很少。
项目地址：https://github.com/letta-ai/letta （官网 letta.com）
如果说Mem0是“给现有应用补记忆”，Letta的野心大得多：整个Agent就是一个长期存活的进程，记忆是它的内存。
它的前身是大名鼎鼎的MemGPT——就是那篇提出“把LLM当操作系统、分层管理上下文”的论文。团队后来直接把公司改名叫Letta，论文思路做成了开源产品。
Letta的核心玩法：
letta server），Agent的状态持久化在数据库里。会话断了、服务重启了，Agent还是那个Agent——它记得自己是谁、记得用户是谁。还值得一提的是它的sleep-time计算：让一个后台Agent在空闲时整理主Agent的记忆——该归档的归档、该总结的总结，不打扰主线程干活。这思路很像操作系统后台的垃圾回收，是“Agent工程”里相当前沿的一招。
适合谁： - 要做长期存活的Agent：个人助理、运维值守、每天定时干活的员工型Agent - 受够了“每次重启全失忆”的自动化流程 - 想认真研究Agent记忆机制的工程师——Letta是目前把MemGPT思想实现得最完整的教学级范本
和Mem0怎么选：一句话——Mem0是“记忆中间件”，粘到哪个应用都行；Letta是“带记忆的Agent运行时”，你等于把整个Agent托管给它。项目已有Dify式自建应用，选Mem0；从零做一个长命Agent，直接上Letta。
项目地址：https://github.com/getzep/graphiti （官网 zep.ai）
前两家的记忆都是“一条条独立的事实”，Graphiti走的是第三条路：时序知识图谱。
它把对话里的实体（人、公司、产品）和关系（谁就职于哪、谁的预算是多少）抽出来，连成一张图，最特别的是每条关系都带时间戳——“老张在A公司”这条边是3月成立的，“老张跳槽到B公司”是9月成立的。查询时按时间线判断现在哪条边有效，新的信息自动覆盖旧的，而不是像普通向量库那样新旧两条并存、召回时看运气。
底层用Neo4j做图存储。这对有一类场景是降维打击：CRM、企业客服、销售助理——这些场景里事实之间本来就是强关联的（客户-联系人-商机-沟通记录），单纯“事实卡片”丢了关系网，图谱天然就是给这种数据长的。
Zep是Graphiti之上的商业化服务，开箱即用；Graphiti是开源的图记忆引擎，可以自己拿来当Mem0的图谱版用。
适合谁： - 场景里实体关系复杂、且“信息会过期”（人事变动、价格变更、状态流转）的 - 已经在用Neo4j或者对图谱有积累的团队 - 觉得向量召回“召回了但答不对”的——很多时候问题就出在缺关系和时间线
| 维度 | Mem0 | Letta | Zep/Graphiti |
|---|---|---|---|
| 一句话定位 | 记忆中间件，两行接入 | 带记忆的Agent运行时 | 时序知识图谱记忆引擎 |
| 记忆形态 | 事实卡片（向量+抽取） | 分层记忆块+自编辑 | 实体关系图+时间戳 |
| 上手成本 | 最低（pip装完即用） | 中（要起服务器、理解模型） | 较高（要懂图谱和Neo4j） |
| 改造成本 | 几乎为零 | 需把Agent迁到它的运行时 | 需自己设计图谱写入逻辑 |
| 最香场景 | C端个性化Chatbot | 长期值守Agent、Agent平台 | CRM、企业知识、多跳关系问答 |
| 本地化能力 | 开源核心可全本地 | 开源可自托管 | 开源可自托管 |
| 你可能以为的 | 海外已经跑通的 |
|---|---|
| 记忆就是把聊天记录塞回prompt | 记忆是抽取后的事实/图谱，流水账反而没用 |
| 上下文窗口越大，越不需要记忆 | 窗口再大，跨会话、低成本、精准召回还得靠记忆层 |
| 换个模型记忆就没了 | 记忆层是独立服务，模型随便换记忆不丢 |
| 记忆=向量库RAG | 向量只是形态之一，图谱+时间线正在接管复杂场景 |
| 记忆要自己手搓 | 三种哲学各有成熟开源件，pip/docker就能上车 |
pip install mem0ai，拿你手头任何一个Chatbot demo，在消息入口加m.add()、拼prompt前加m.search()，跑三天看召回质量。本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!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。