引言
“上下文窗口不是记忆系统”——这是 2026 年 Agent 工程最常被引用的一句话。窗口再大，每轮对话结束记忆就清零：Agent 记不住用户偏好、记不住昨天的半成品项目、记不住上个工单的处理结论。当 Agent 从”一次性问答工具”变成”跨会话的协作者”，长期记忆从加分项变成了架构刚需。
2026 年记忆基础设施已经分化为四条清晰的技术路线：Letta（原 MemGPT）、Mem0、Zep、LangMem。选错路线的代价是延迟、复杂度与成本一起失控。本文结合基准数据给出对比与选型建议。
一、记忆的三层模型
成熟的 Agent 记忆系统普遍采用分层设计：
| 记忆类型 | 类比 | 载体 |
|---|---|---|
| 工作记忆（短期） | RAM | 当前上下文窗口：对话历史 + 工具结果 |
| 长期记忆（存储） | 硬盘 | 跨会话持久化：向量库 / 图数据库 / KV |
| 推理记忆（决策链） | 日志 | 推理轨迹与决策依据，支撑审计与回溯 |
大部分框架只实现了前两层，第三层（推理记忆）是被严重低估的能力——它决定了 Agent 的决策是否可解释、可审计。
二、四条技术路线
Letta：OS 式记忆管理（原 MemGPT）
Letta 2026 年重构了 agent loop，吸收了 ReAct 与 Claude Code 的实践，引入 git 版本化记忆块 与跨模型提供商的部署运行时。它的核心哲学是”记忆像操作系统管理内存一样被显式管理”：哪些进上下文、哪些驻留外部存储、何时换入换出，都可控可见。
适合：需要记忆管理透明度的场景（合规审计、企业追溯）、从零构建有状态 Agent 的研究型团队。代价是框架绑定深，需要自己运维。
Mem0：生产优先的托管记忆
Mem0 是 2026 年最成熟的托管记忆服务：你调用 API，它决定记什么、怎么归类、何时浮出。技术架构是三层混合——向量库存语义、图层存实体关系、KV 存结构化偏好；记忆提取在后台自动完成，发送一轮对话即可，无需自己写提取逻辑。
# Mem0 最小用法：记一条 + 查一条
from mem0 import Memory
m = Memory() # 默认本地 OSS 版；托管版填 api_key
m.add("用户喜欢用中文回复技术问题，讨厌冗长介绍", user_id="u_1001")
results = m.search("用什么语言回复？", user_id="u_1001")
print(results)基准方面，独立评测中 Mem0 在 LongMemEval（跨时间/多跳/知识更新场景）达到 49.0%；LOCOMO 基准中 Mem0 以 0.71s 延迟实现 66.9% 准确率——显著快于全量上下文方案（9.87s / 72.9%）。结论很直白：全量塞上下文更准但慢 14 倍，检索式记忆在绝大多数生产场景是正确取舍。
Zep：会话记忆 + 时序知识图谱
Zep 的差异化在于底层 Graphiti 引擎：把记忆构建为带时间有效性的知识图谱（详见本站 RAG 板块《从 GraphRAG 到实时时序知识图谱》）。每条事实都有 valid_at/invalid_at，事实变更走”失效旧边 + 新建边”而非覆盖删除。对”用户上周说 A，这周改口 B”这类矛盾处理，是四条路线中最结构化的。
适合：企业客服（同一用户反复交互）、偏好频繁变化的个性化场景。
LangMem：LangChain 生态的模块化记忆
LangMem 把记忆拆成可插拔模块（提取、存储、检索、遗忘策略），与 LangGraph 的状态机深度集成——如果你已经在 LangGraph 上构建工作流，LangMem 是侵入成本最低的补全。代价是”半成品”属性：模块齐全但需要自己组装策略。
三、2026 的生产模式：记忆整合层（Consolidation Layer）
值得注意的趋势是：生产级系统很少只选一个框架，而是搭建记忆整合层，按记忆类型路由到合适的存储：
- 工作记忆 → 留在上下文窗口（配 compaction 摘要）
- 语义偏好 → Mem0 / 向量库
- 实体关系 → Zep Graphiti / 图数据库
- 程序性知识（技能与流程） → Letta 的 git 记忆块 / Skills 系统
这恰好对应人类记忆的三种系统：情景记忆、语义记忆、程序性记忆——各自服务不同目的，由整合层统一调度。
四、落地清单与常见坑
- 写入路径过滤：不是每轮对话都值得记。设定”值得记忆”的判定条件（偏好变更、承诺、事实性结论），否则记忆库会被噪音淹没，检索质量快速劣化。
- 矛盾处理策略：新旧事实冲突时，明确走”时间戳失效”（图方案）还是”覆盖 + 摘要”（文本方案），不要混用。
- 延迟预算：检索式记忆的延迟优势只在”检索开销 < 长上下文处理开销”时成立；短对话场景直接带上下文可能更优。
- 隐私治理：记忆 = 长期留存的用户数据。需要提供查看、删除、导出能力，并明确记忆数据的保留策略。
- 基准先行：上线前用 LongMemEval / LOCOMO 类的场景集跑一轮，别凭感觉选型。
结语
记忆是 Agent 的”第二大脑”，不是可选附件。2026 年的选择不再是非此即彼：托管 API（Mem0）适合快速起步，框架派（Letta）适合深度掌控，图谱派（Zep/Graphiti）适合事实频繁演变的场景，模块派（LangMem）适合已绑定 LangGraph 的团队。先想清楚你的 Agent 需要记住”什么类型”的信息，再选存储与框架——这比先选框架再硬塞记忆高效得多。