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.

🧠 Agent 记忆技术 – 本仓库简介

为构建需要记忆功能的 LLM Agent 的开发者提供的动手学习资源。

本仓库包含 30 个完全可运行的 Jupyter notebooks，演示了现代 LLM Agent 中最常用（以及一些前沿）的记忆模式——从简单的对话缓冲区到像 Mem0、Letta、Zep 和 Graphiti 这样的生产级框架。每个 notebook 都是独立的，可以在 Google Colab 中打开，并展示了将该技术集成到您自己的 Agent 中所需的具体代码。

为什么“Agent 记忆”很重要

LLM 的上下文窗口有限。如果没有记忆策略，Agent 在几轮对话后就会忘记一切。
现实世界的 Agent 需要跨会话、跨用户甚至跨不同任务持久化知识（例如：个人助理、客户支持机器人、自主规划器）。
本仓库将 30 种技术分为六大类，以便您快速为问题选择合适的工具：
1. 短期记忆 – 保持近期对话的低成本和快速响应。
2. 长期记忆 – 存储事实、实体、图谱、情景日志等。
3. 认知架构 – 分层、层级化或反射式记忆系统。
4. 检索与路由 – 决定什么时候回忆以及如何回忆。
5. 框架 – 开箱即用的库（Mem0、Letta、Zep、Graphiti）。
6. 评估与生产 – 基准测试、监控和部署模式。

您将在其中找到什么

章节	技术（notebook 链接）	您将学到什么
短期记忆	01‑05 – 对话缓冲区、滑动窗口、摘要、摘要缓冲区、Token 缓冲区	管理上下文窗口、Token 预算、即时摘要。
长期记忆	06‑11 – 向量存储、实体、知识图谱、情景、语义、程序	持久化嵌入、构建实体存储、构建知识图谱、将原始情景与提取的事实和程序分离。
认知架构	12‑19 – 工作记忆、分层、巩固、压缩、自我反思、路由、时间、遗忘	受人类启发的记忆层级、自动提升/降级、周期性巩固、遗忘策略。
检索与路由	20‑23 – 检索增强、跨会话、多 Agent 路由、混合检索	选择正确的检索策略（相似度搜索、混合检索、多 Agent 分发）。
框架	24‑27 – Graphiti, Mem0, Letta (MemGPT), Zep	开箱即用实现上述许多模式的插件库。
评估与生产	28‑30 – 基准测试、监控、部署模式	如何衡量记忆有效性、设置可观测性，并将具备记忆功能的 Agent 部署到生产环境。

快速入门指南

克隆仓库（或通过徽章直接在 Colab 中打开任何 notebook）。
安装最小依赖项 – README 列出了 python>=3.10 和常规的 Jupyter 栈；大多数 notebook 还引入了 langchain、openai、faiss-cpu 或 chromadb（用于向量存储），以及 networkx（用于图计算）。
运行 第一个 notebook 01_conversation_buffer_memory 以查看最简单的模式。
按照 README 中的 学习路径 部分跳转到与您项目匹配的类别（例如，针对检索增强聊天机器人的“长期记忆 → 向量存储”）。
当您准备好进行生产时，探索框架 notebooks（Mem0、Letta、Zep），其中包含用于 CI 测试和部署的代码片段。

适用人群

开发者：正在构建个人助理、客户支持机器人或任何需要随时间保留上下文的 LLM 驱动工作流。
研究人员：希望获得新兴记忆架构（如 Mem0、Letta）的具体实现以进行基准测试。
教育工作者/学生：寻找关于 Agent 记忆的可视化、以 notebook 为驱动的课程。

技术栈与要求

Python 3.10+
Jupyter notebooks（本地运行或在 Google Colab 上运行）
核心库：langchain、openai（或任何兼容的 LLM API）、faiss-cpu/chromadb（用于向量存储）、networkx（用于图记忆），以及框架 notebooks 所需的特定 SDK（例如 mem0-sdk、zep-python）。
Apache‑2.0 许可证 – 可自由使用、修改和商业化。

成熟度与社区

该仓库处于活跃维护状态（包含 issue 徽章、贡献指南和 Discord 社区）。
每项技术都标有 ✅ notebook 徽章，意味着代码可以端到端运行。
作者还提供付费课程和配套书籍以供深入研究，但 notebook 本身是完全功能化且开源的。

总结： 如果您需要关于如何为 LLM Agent 提供记忆功能的具体、可复制粘贴的示例——无论是用于快速原型设计还是生产系统——本仓库是一个简洁、组织良好的工具箱，涵盖了记忆策略的整个领域。