NirDiamant/Agent_Memory_Techniques

Agent memory for LLMs: 30 runnable Jupyter notebooks covering conversation buffers, vector stores, knowledge graphs, episodic and semantic memory, MemGPT, Mem0, Letta, Zep, Graphiti, LoCoMo benchmarks, and production patterns.

📚 什么是 Agent Memory Techniques

一个精心整理的 30 个可运行的 Jupyter 笔记本 集合，展示了 基于 LLM 的代理 中最常用的内存模式。该仓库将这些技术分为六大类——短期缓冲区、长期存储、认知架构模式、检索/路由策略、现成框架（Mem0、Letta、Zep、Graphiti）以及生产级评估/基准测试——并提供一个简洁的视觉决策树，帮助你为项目选择合适的模式。

如何工作

类别	目标	示例技术
短期	在模型的上下文窗口内保留最近的对话轮次，而不超出令牌预算。	对话缓冲区、滑动窗口、摘要、令牌缓冲区
长期	在会话、用户或运行之间持久化知识。	向量存储、实体记忆、知识图谱、情景记忆、语义记忆、程序性记忆
认知架构	像大脑一样组织记忆——热层与冷层、整合、工作记忆。	分层结构、记忆整合、自我反思、路由
检索与路由	决定何时以及回忆什么（例如跨会话回忆、选择性检索）。
框架	即插即用的库，实现上述模式。	Mem0、Letta（MemGPT）、Zep、Graphiti
评估与生产	基准测试内存性能并部署到生产环境。

每种技术都位于独立的文件夹中，配有 自包含的笔记本，你可以在本地或 Google Colab 中运行。笔记本包含：

最小的 Python 代码（Python 3.10+）
基础概念的解释
简单的示例提示和数据
内存随时间演变的可视化图示

适合谁使用

开发聊天机器人、个人助手或自主代理的开发者，需要在多轮对话或会话间保持上下文。
探索记忆增强型 LLM 的研究人员，希望快速参考实现方案。
产品团队，希望在发布记忆增强服务前，有一份生产级模式的检查清单（例如 Mem0、Zep）。

即刻获得

动手学习路径 — 从 01_conversation_buffer_memory 开始，跟随链接的学习路径。
决策树与比较矩阵 — 通过持久性、令牌成本或使用场景快速筛选技术。
生产就绪示例 — 为已用于商业代理的框架提供的笔记本。
免费教育资源 — 包含配套视频课程、464 页视觉化书籍以及每周 AI 教程的新闻简报链接。

快速开始

# 克隆仓库
git clone https://github.com/NirDiamant/Agent_Memory_Techniques.git
cd Agent_Memory_Techniques
# 打开一个笔记本，例如
jupyter lab all_techniques/01_conversation_buffer_memory/conversation_buffer_memory.ipynb

或通过每个条目旁边的徽章直接在 Colab 中启动任意笔记本。

TL;DR

Agent Memory Techniques 是一个实用的开源教程库，教你如何为 LLM 代理赋予记忆能力。它涵盖了从简单的缓冲技巧到完整的认知架构的所有内容，所有内容均配有可立即运行的笔记本，并清晰指导每种模式适用的场景。