memory-systems

Memory Systems - 智能体记忆系统设计指南

技能概述

Memory Systems 提供智能体记忆架构的完整设计指南，涵盖短期记忆、长期记忆和时序知识图谱的分层实现，帮助构建能够跨会话持久化、追踪实体关系并进行时序推理的 AI 智能体。

适用场景

1. 需要跨会话持久化的智能体

当智能体需要在多次对话之间保持状态、学习用户偏好或积累领域知识时，Memory Systems 提供从文件系统到时序知识图谱的完整架构方案，确保信息不会因会话结束而丢失。

2. 需要实体关系追踪的 AI 系统

当应用需要识别和跟踪"张三"在不同对话中是同一个人、理解"客户A购买了产品B"这类关系时，Entity Memory 和 Knowledge Graph 模式能够维护实体一致性和关系结构。

3. 需要时序推理的应用

当需要回答"用户在X日期时的地址是什么"这类时序敏感问题时，Temporal Knowledge Graph 通过为事实设置有效期，支持时间旅行查询并防止过时信息导致的冲突。

核心功能

分层记忆架构

提供从工作记忆（Context Window）到短期记忆、长期记忆、实体记忆和时序知识图谱的完整分层设计，每层具有不同的延迟、容量和持久性特征，可根据需求灵活选择。

多种实现模式

涵盖文件系统即内存、带元数据的 Vector RAG、知识图谱和时序知识图谱四种核心实现模式，并提供语义检索、实体检索和时序检索三种检索模式，适应不同复杂度的查询需求。

记忆整合与优化

包含记忆整合触发机制和处理流程，以及与上下文系统的集成策略（即时加载、策略注入），确保记忆库不会无限增长且检索内容能够高效融入智能体推理过程。

常见问题

Vector RAG 和知识图谱有什么区别？

Vector RAG 基于嵌入相似度进行语义检索，适合文档查找但丢失关系结构；知识图谱显式保存实体间关系，支持遍历查询和复杂推理。根据 Deep Memory Retrieval 基准测试，Zep（时序知识图谱）准确率达 94.8%，而传统 Vector RAG 约为 60-70%。

如何为我的智能体选择合适的记忆架构？

如果是简单持久化需求，文件系统内存即可；需要语义搜索时使用带元数据的 Vector RAG；需要关系推理时选择知识图谱；需要处理时效性信息（如状态变更）时使用时序知识图谱。选择应基于查询复杂度、基础设施约束和准确性要求。

时序知识图谱是什么？

时序知识图谱在普通知识图谱基础上为每个事实添加"valid_from"和可选的"valid_until"时间戳，使事实具有时效性。这支持"某个时间点实体状态如何"的时间旅行查询，防止过时信息与新信息冲突，并支持时序推理分析实体的历史变化。