---

name: memory-systems description: "设计短期、长期和基于图的记忆架构。用于构建需要跨会话持久化的智能体、需要在对话间保持实体一致性或实现对累积知识的推理。" risk: safe source: "https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering/tree/main/skills/memory-systems" date_added: "2026-02-27"

使用场景

设计短期、长期和基于图的记忆架构

当处理短期、长期和基于图的记忆架构设计时使用此技能。

记忆系统设计

记忆提供持久化层，使智能体能够跨会话保持连续性并对累积知识进行推理。简单智能体完全依赖上下文作为记忆，会话结束时丢失所有状态。复杂智能体实现分层记忆架构，平衡即时上下文需求和长期知识保留。从向量存储到知识图谱再到时序知识图谱的演进，代表着对结构化记忆的投入增加，以改善检索和推理。

使用场景

激活此技能当：

• 构建需要跨会话持久化的智能体时
• 需要在对话间保持实体一致性时
• 实现对累积知识的推理时
• 设计从过去交互中学习的系统时
• 创建随时间增长的知识库时
• 构建跟踪状态变化的时间感知系统时

核心概念

记忆存在于从即时上下文到永久存储的光谱上。一端是上下文窗口中的工作记忆，提供零延迟访问但会话结束时消失。另一端是永久存储，无限期持久化但需要检索才能进入上下文。

简单向量存储缺乏关系和时间结构。知识图谱保留关系用于推理。时序知识图谱添加有效期用于时间感知查询。实现选择取决于查询复杂度、基础设施约束和准确性要求。

详细主题

记忆架构基础

上下文-记忆光谱 记忆存在于从即时上下文到永久存储的光谱上。一端是上下文窗口中的工作记忆，提供零延迟访问但会话结束时消失。另一端是永久存储，无限期持久化但需要检索才能进入上下文。有效的架构沿此光谱使用多个层次。

光谱包括工作记忆（上下文窗口，零延迟，易失）、短期记忆（会话持久，可搜索，易失）、长期记忆（跨会话持久，结构化，半永久）和永久记忆（归档，可查询，永久）。每层具有不同的延迟、容量和持久性特征。

为什么简单向量存储不够 向量 RAG 通过在共享嵌入空间中嵌入查询和文档来提供语义检索。相似性搜索检索语义最相似的文档。这对文档检索效果很好，但缺乏智能体记忆的结构。

向量存储丢失关系信息。如果智能体学到"客户 X 在日期 Z 购买了产品 Y"，向量存储可以在直接询问时检索此事实。但它无法回答"购买了产品 Y 的客户还买了什么产品？"因为关系结构未被保留。

向量存储也难以处理时间有效性。事实随时间变化，但向量存储除了通过显式元数据和过滤外，没有机制区分"当前事实"和"过时事实"。

向基于图的记忆转变 知识图谱保留实体间的关系。图编码实体 A 与实体 B 具有关系 R，而非孤立的文档块。这使得查询能够遍历关系而非仅仅相似性。

时序知识图谱为事实添加有效期。每个事实有"有效起始"和可选的"有效截止"时间戳。这使得时间旅行查询能够重建特定时间点的知识。

基准性能比较 深度记忆检索（DMR）基准提供了跨记忆架构的具体性能数据：

| 记忆系统 | DMR 准确率 | 检索延迟 | 备注 | |----------|-----------|----------|------| | Zep（时序 KG） | 94.8% | 2.58s | 最佳准确率，快速检索 | | MemGPT | 93.4% | 可变 | 良好的通用性能 | | GraphRAG | ~75-85% | 可变 | 比基线 RAG 提升 20-35% | | 向量 RAG | ~60-70% | 快 | 丢失关系结构 | | 递归摘要 | 35.3% | 低 | 严重信息丢失 |

Zep 展示了与全上下文基线相比 90% 的检索延迟降低（2.58s vs 28.9s for GPT-5.2）。这种效率来自仅检索相关子图而非完整上下文。