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.

📚 什麼是 Agent Memory Techniques

一個精心整理的 30 個可執行的 Jupyter 筆記本 集合，展示 基於 LLM 的代理 中最常見的記憶模式。此倉儲將技術分為六大類——短期緩衝、長期儲存、認知架構模式、檢索/路由策略、現成框架（Mem0、Letta、Zep、Graphiti）以及生產級評估/基準測試——並提供一個簡潔的視覺化決策樹，協助你為專案選擇最適合的模式。

如何運作

類別	目標	例子技術
短期	在模型的上下文視窗內保留最近的對話回合，而不超出 Token 預算。	對話緩衝、滑動視窗、摘要、Token 緩衝
長期	在會話、使用者或執行之間持久化知識。	向量儲存、實體記憶、知識圖譜、情節記憶、語意記憶、程序性記憶
認知架構	像大腦一樣組織記憶——熱層與冷層、整合、工作記憶。	分層結構、記憶整合、自我反思、路由
檢索與路由	決定何時以及回憶什麼（例如跨會話回憶、選擇性檢索）。
框架	即插即用的函式庫，實作上述模式。	Mem0、Letta（MemGPT）、Zep、Graphiti
評估與生產	基準測試記憶效能並部署至生產環境。

每種技術皆位於獨立資料夾中，配有 自包含的筆記本，你可在本地或 Google Colab 中執行。筆記本包含：

最小的 Python 程式碼（Python 3.10+）
基礎概念說明
簡單的範例提示與資料
記憶隨時間演變的視覺化圖示

適合誰使用

開發聊天機器人、個人助理或自主代理的開發者，需要在多回合對話或會話間維持上下文。
探索記憶增強型 LLM 的研究人員，希望快速參考實作範例。
產品團隊，希望在發布記憶增強服務前，有一份生產級模式的檢查清單（例如 Mem0、Zep）。

即刻獲得

實作學習路徑 — 從 01_conversation_buffer_memory 開始，依連結的學習路徑進行。
決策樹與比較矩陣 — 透過持久性、Token 成本或使用情境快速篩選技術。
生產就緒範例 — 為已用於商業代理的框架提供的筆記本。
免費教育資源 — 包含配套影片課程、464 頁視覺化書籍，以及每週 AI 教學的電子報連結。

快速開始

# 克隆倉儲
git clone https://github.com/NirDiamant/Agent_Memory_Techniques.git
cd Agent_Memory_Techniques
# 開啟一個筆記本，例如
jupyter lab all_techniques/01_conversation_buffer_memory/conversation_buffer_memory.ipynb

或透過每個條目旁的徽章直接在 Colab 中啟動任意筆記本。

TL;DR

Agent Memory Techniques 是一個實用的開源教學庫，教你如何為 LLM 代理賦予記憶能力。它涵蓋了從簡單的緩衝技巧到完整的認知架構的所有內容，所有內容皆配有可立即執行的筆記本，並清楚指導每種模式適用的場景。