从认知科学到生产部署，一文讲透 Agent 记忆系统的设计原理、技术趋势和最佳工具选择

一、为什么 Agent 需要记忆？

如果你用过 ChatGPT，你一定有这种体验：上次聊过的偏好，下次开聊它还记得；你说过自己素食，之后它推荐餐厅自动跳过牛排馆。这就是 AI 记忆在工作。

但对开发者来说，真正的 Agent 记忆远不止"记住用户偏好"这么简单。

想象一个跑了三个月的编程助手：它需要记住你的代码风格偏好、项目架构决策、上次重构到哪一步了、哪些 bug 反复出现过、你团队的 PR 提交规范……这些跨越数百次会话、累积数百万 token 的信息，不可能全部塞进上下文窗口。

这就是 Agent 记忆系统 要解决的核心问题：让 AI Agent 在跨会话、长时间尺度上保持状态的连续性和知识的累积性。

这不是一个边缘需求。根据 Gartner 预测，到 2026 年底 40% 的企业应用将集成任务型 AI Agent。McKinsey 2025 年 AI 状态调查显示 88% 的组织已在至少一个职能使用 AI，但只有 6% 算得上"高绩效"——差距的核心之一就是 Agent 的记忆能力不足。

二、记忆的分类学：四类还是五类？

Agent 记忆的分类借鉴了认知科学数十年的研究成果。Endel Tulving 在 1972 年区分了情景记忆和语义记忆，Larry Squire 在 1987 年加入了程序记忆，Baddeley 和 Hitch 在 1974 年形式化了工作记忆。2023 年普林斯顿大学的 CoALA 论文（arXiv:2309.02427）将这套框架系统性地翻译到了 LLM Agent 的世界里。

2.1 四种标准记忆类型

记忆类型	存什么	存在哪	类比
工作记忆（Working Memory）	当前会话中的系统提示、对话历史、工具输出、推理步骤	LLM 上下文窗口	电脑的 RAM
情景记忆（Episodic Memory）	过去的事件和交互记录（带时间戳）	外部数据库，按需检索	你的日记本
语义记忆（Semantic Memory）	事实、定义、累积的知识	向量数据库 / 知识图谱	百科全书
程序记忆（Procedural Memory）	技能、规则、行为指令	系统提示 / Agent 代码 / 模型权重	骑自行车的肌肉记忆

工作记忆就是上下文窗口本身——Agent 在单次推理中能直接看到的所有内容。Letta 的架构把它比作"RAM"：有限的工作空间，不是主要存储。

情景记忆记录"发生了什么、什么时候发生的"。它不只是聊天记录，更是一个可检索的事件时间线。2026 年 2 月的论文"Episodic Memory is the Missing Piece"（arXiv:2502.06975）指出，情景反思和整合——把过去事件转化为紧凑可复用的表示——是长期推理的关键机制。

语义记忆存储"什么是 X"这类事实性知识。它可以是向量数据库中语义相似的文本块，也可以是知识图谱中结构化的实体关系。关键区别：语义记忆查的是"什么是 revenue"，情景记忆查的是"上次查 revenue 的结果是什么"。

程序记忆最容易被忽略但影响最大。它决定 Agent "怎么做事"——路由规则、响应约束、工具调用逻辑。CoALA 论文识别了三种载体：嵌入在模型权重中（需要重训才能更新）、写在代码里（需要部署才能更新）、作为显式指令集（可以即时更新）。

2.2 第五类：组织上下文记忆

Atlan 在 2026 年的研究中提出，对于企业级数据 Agent，标准四类记忆存在系统性缺口，需要第五类——组织上下文记忆（Organisational Context Memory）：企业数据资产的受治理、持久化、跨系统的记忆，包括认证定义、数据血缘、实体身份解析、访问策略执行。

这不是理论讨论。Snowflake 内部研究显示，给 Agent 增加本体层（一种组织上下文记忆）后，Agent 回答准确率提升 20%，工具调用减少 39%。Gartner 预测到 2030 年，50% 的企业 AI Agent 部署失败将归因于治理不足而非能力不足。

三、核心技术架构：六种实现路径

3.1 向量数据库方案

最广泛使用的记忆检索方案。将信息编码为向量（embedding），存入向量数据库（Pinecone、Qdrant、Weaviate、Milvus 等），检索时用语义相似度匹配。

• 优点

  ：成熟、可扩展、生态丰富

• 缺点

  ：纯语义相似度是"惊人的迟钝工具"——五分钟前的记忆和五周前语义相同的记忆，余弦距离看来一模一样

• 代表

  ：几乎所有记忆框架的底层都是向量存储

3.2 时序知识图谱方案

Zep 的 Graphiti 引擎是代表。每条事实都带有 valid_at 和 invalid_at 时间戳，每个节点和边都有时间维度。这让 Agent 能回答"上周二你认为 X 是什么？"这类时序查询——纯向量检索根本做不到。

• 优点

  ：时序推理能力强，实体关系建模精确

• 缺点

  ：运维复杂度高，需要 Neo4j 等图数据库

• 代表

  ：Zep / Graphiti（20K+ GitHub Stars）

3.3 混合方案：向量 + 图 + 关键词

Mem0 的 2026 新算法采用三路并行评分：语义相似度 + BM25 关键词匹配 + 实体匹配，融合为一个综合分数。同时内置实体链接替代了外部图存储。

• 优点

  ：兼顾多种检索信号，token 效率高（~7K tokens/query vs 全上下文 ~26K）

• 缺点

  ：不再是可直接遍历的图接口

• 代表

  ：Mem0（48K+ Stars）

3.4 LLM-as-OS 方案

Letta（前身 MemGPT）的开创性思路：把 LLM 当操作系统，工作记忆是 RAM，外部存储是硬盘，Agent 通过显式函数调用在两层之间移动数据。MemGPT 论文在 Deep Memory Retrieval 基准上达到 93.4% 准确率（GPT-4 Turbo），而递归摘要基线只有 35.3%。

Letta Code 2026 版本引入了 MemFS——git 驱动的记忆文件系统。Agent 的记忆是一组 Markdown 文件，存储在 git 仓库中，Agent 自主维护、提交、推送。system/ 目录下的文件固定在上下文窗口中，其他文件按需加载。

• 优点

  ：理论最优雅，自我管理能力最强

• 缺点

  ：学习曲线陡，运维复杂

• 代表

  ：Letta（16.4K+ Stars）

3.5 简单分层方案

OpenAI 的 ChatGPT 记忆架构出乎意料地简单。逆向工程揭示它不用 RAG 或向量数据库，而是四层结构：

1. Session Metadata

   ：临时环境信息（设备、位置、订阅等级），会话结束即消失

2. User Memory

   ：永久存储的用户事实（约 33 条），通过显式确认或自动检测添加

3. Recent Conversation Summaries

   ：最近约 15 次对话的简要摘要（预计算，不实时检索）

4. Current Session Messages

   ：当前会话完整消息（受 token 限制，老消息会被裁剪）

2026 年 6 月，OpenAI 发布了 Dreaming V3——后台自动从对话历史中综合记忆的系统。它不依赖显式"记住"指令，而是自动学习、自动更新、自动处理过时信息。Dreaming V3 相比 Saved Memories 在上下文延续、偏好跟随、时效性三个维度都有显著提升。

3.6 图原生方案

Cognee 直接从原始数据构建知识图谱作为主要存储和检索机制，而不是在向量之上叠加图作为辅助层。它特别适合文档密集型和研究型工作流，实体关系是第一公民。

• 代表

  ：Cognee（开源）

四、技术趋势与前沿方向（2024-2026）

4.1 基准测试标准化

2025-2026 年最大的变化是记忆系统终于有了标准化的衡量方式。三大基准确立：

基准	规模	核心维度
LoCoMo	1,540 题	single-hop、multi-hop、open-domain、temporal
LongMemEval	500 题	知识更新、时序推理、多会话、偏好记忆
BEAM	1M/10M token	10 个类别，含矛盾解决和弃权判断

关键发现：全上下文方案（把所有历史塞进 prompt）精度最高但完全不可用于生产——p95 延迟 17.12 秒，token 成本是选择性记忆方案的 14 倍。选择性记忆方案接受适度的精度折衷，换取量级更好的运营效率。

Mem0 的 2026 新算法在 LoCoMo 上达到 91.6 分、LongMemEval 94.8 分、BEAM 1M 64.1 分，平均每查询仅消耗 ~7,000 tokens。

4.2 从"检索"到"重构"的范式转变

2026 年 6 月的 ICML 论文 MRAgent 提出了一个反直觉的观点：记忆不应是被动检索，而应是主动重构。

传统方式是 query → top-k 相似度匹配 → 返回记忆。MRAgent 的方式是 query → 提取线索 → 在 Cue-Tag-Content 图上迭代遍历 → 每步根据已发现证据调整下一步 → 最终重构完整上下文。理论上证明了对于任何检索预算，主动策略的假设类严格包含被动策略类。在 LoCoMo 上提升 23%，LongMemEval 上提升 32%，同时 token 消耗从 632K 降到 118K。

另一个前沿方向是 Agent 自主组织记忆。A-Mem（EMNLP 2025）引入 Zettelkasten 式笔记架构——每条记忆是一个结构化笔记，Agent 自己决定如何标记、链接、演化。关键发现：让 Agent 自主决定记忆结构，比预定义 Schema 效果更好。多跳推理表现是 MemGPT 的 2 倍，而 token 消耗仅为其 1/7。

4.3 "记忆不是数据库"的反思

2026 年 5 月的论文"Is Agent Memory a Database?"（arXiv:2605.26252）论证：把 Agent 记忆建模为数据库是一个根本性的错误隐喻。数据库提供四种能力中的不到一半：语义相似检索 ✓、相关性驱动的保留 ✗、依赖感知的传播 ✗、有梯度的衰减 ✗。

论文提出 Governed Evolving Memory (GEM)——在属性图后端上实现全部四种能力。这代表了一个重要的思想转变：记忆不是存储问题，而是行为变化问题。

4.4 从"存取"到"整合"

记忆生命周期管理的核心挑战：

• 整合（Consolidation）

  ：把碎片化的情景记忆压缩为可复用的语义知识

• 时序抽象（Temporal Abstraction）

  ：BEAM 1M 到 10M token 有 ~25% 的性能下降，时序查询是最难的类别

• 记忆陈旧性（Memory Staleness）

  ：一个高频检索的记忆"用户在 A 公司工作"一直是对的，直到用户换了工作——此时它变成了"自信的错误"

• 噪音问题

  ：Mem0 的生产审计（GitHub Issue #4573）发现，32 天内 10,134 条记忆中 97.8% 是垃圾——系统提示词重复存储、心跳噪音、幻觉用户档案。核心瓶颈不在模型质量，而在提取管线缺乏质量门控

4.5 多 Agent 共享记忆

随着多 Agent 系统的发展，共享记忆的治理成为核心问题。Mem0 的 Group Chat 流通过消息 name 字段做来源归因——用户消息存于 user_id，Agent 消息存于 agent_id，检索时可按参与者和会话过滤。

March 2026 的论文"Governed Memory"（arXiv:2603.17787）识别了五个结构性失败：记忆孤岛、治理碎片化、非结构化记忆不可被下游系统使用、冗余上下文投递、静默质量退化。

4.4 Continuum Memory Architecture（CMA）

2026 年 1 月的 CMA 论文（arXiv:2601.09913）指出 RAG 的根本局限：它把记忆当作无状态的查找表——信息无限期存在、检索是只读的、时间连续性缺失。CMA 定义了一类在交互中维护和更新内部状态的系统，实现"有状态的持续记忆"。

4.6 记忆安全：攻击已从理论变成现实

安全问题不再是假设：

• 记忆注入攻击 MINJA

  （NeurIPS 2025）：攻击者仅通过普通对话就能向 Agent 记忆库注入恶意记录，注入成功率 98.2%，攻击成功率 76.8%

• 隐私提取攻击 MEXTRA

  （ACL 2025）：黑盒攻击，30 个查询就能从 200 条隐私记录中提取 50 条。医疗场景影响尤为严重

Mem0 的 OpenMemory MCP 是隐私优先的分支——本地运行，MCP 兼容，数据不离开本地，有仪表板可以浏览和管理已保存的内容。

五、主流项目深度梳理

SUB 5.1

5.1 Mem0 — 最流行的 Agent 记忆层

维度	详情
定位	通用记忆层，框架无关
GitHub Stars	48,000+
融资	$24M（截至 2025.10）
架构	三层作用域（user/session/agent）+ 混合存储（向量 + 图 + KV）
集成	21 框架（LangChain、LlamaIndex、CrewAI、AutoGen、Google ADK、OpenAI SDK 等）
向量存储	20 种后端（Pinecone、Qdrant、Weaviate、Milvus、PGVector、Redis、FAISS 等）

核心设计：当事实冲突时自动编辑而非追加副本，保持记忆精简。2026 新算法采用单次提取 + 多信号检索（语义 + BM25 + 实体匹配），在时序查询上比旧算法提升 +29.6 分，多跳推理 +23.1 分。

快速上手：

from mem0 import Memory
m = Memory()
m.add("我偏好 Python 而非 JavaScript", user_id="alice")
results = m.search("编程语言偏好", user_id="alice")

三种部署方式：

方式	适合	设置时间
Mem0 托管云	快速集成，无基础设施	2 分钟
自托管开源	完全数据控制，规模化成本	20 分钟
OpenMemory MCP	本地记忆跨开发工具（Claude Desktop, Cursor, Windsurf）	5 分钟

5.2 Letta（前身 MemGPT）— LLM-as-OS 先驱

维度	详情
定位	全功能 Agent 框架 + 记忆系统
GitHub Stars	23,300+
融资	$10M Seed（Felicis 领投，Jeff Dean、Clem Delangue 天使参投）
论文	UC Berkeley 2023, arXiv:2310.08560
基准	LongMemEval ~83.2%
许可证	Apache-2.0

三级记忆架构：

• Core Memory

  ：始终在上下文中的结构化块（~2,000 字符/块），Agent 可直接编辑

• Recall Memory

  ：完整对话历史，支持日期和文本搜索，默认不在上下文中

• Archival Memory

  ：显式知识存储，语义可搜索

Letta Code 2026 引入了 MemFS——git 驱动的记忆文件系统。每个记忆是 Markdown 文件（带 frontmatter 描述和元数据），system/ 目录固定在上下文窗口中。Agent 自主维护、提交和推送记忆变更。还支持 Dreaming——后台反思子 Agent 定期回顾近期对话并优化记忆。

快速上手：

# 安装
pip install letta
# 初始化 Agent
letta
# 在 Agent 中使用 /init 初始化记忆
# 使用 /remember 添加特定记忆
# 使用 /doctor 审计记忆布局
# 使用 /memory 查看当前记忆状态

适用场景：需要最大记忆控制权、愿意投入运维精力的团队。Letta 是全功能 Agent 框架而不只是记忆层——这是它的结构优势，也是集成投入的主要考量。

5.3 Zep / Graphiti — 时序知识图谱记忆

维度	详情
定位	生产级记忆服务器，时序知识图谱
GitHub Stars	20,000+（Graphiti）
论文	arXiv:2501.13956
基准	LongMemEval 时序子任务 63.8%
认证	SOC 2 Type 2, HIPAA

核心创新：Graphiti 引擎在每个节点和边上存储 valid_at / invalid_at 时间戳。不只是"X 是什么"，而是"X 在 2025 年 3 月时是什么"。纯向量检索根本无法回答这类时序查询。

快速上手：

from graphiti_core import Graphiti
# 使用 Graphiti 构建时序知识图谱
graphiti = Graphiti(uri="bolt://localhost:7687", user="neo4j", password="password")
# 添加带时间戳的实体和关系
await graphiti.add_episode(
    name="meeting_2026_06_12",
    episode_body="用户讨论了 Agent 记忆系统的选型决策...",
    reference_time=datetime.now(),
)

适用场景：需要精确时序推理的应用（客户关系、项目管理、合规审计）。

5.4 LangChain / LangMem — 框架内置记忆

维度	详情
定位	LangChain 生态的 Agent 记忆 SDK
特点	同时支持三类记忆：情景 + 语义 + 程序
独特能力	程序记忆可让 Agent 根据反馈重写自己的系统提示

适用场景：已经在使用 LangChain/LangGraph 的团队，最低摩擦的入场方式。如果不在 LangChain 生态中，意味着要接受整个抽象层。

5.5 Cognee — 图原生记忆

维度	详情
定位	开源 AI Agent 记忆平台
架构	图原生——直接从原始数据构建知识图谱
特点	不在向量之上叠加图，图是第一存储和检索机制

适用场景：文档密集型工作流、研究型 Agent、实体关系与原始语义内容同等重要的场景。

5.6 OpenAI ChatGPT Memory

ChatGPT 的记忆经历了三代演进：

• 2024 Saved Memories

  ：显式记忆，依赖强烈线索触发（"记住我……"）

• 2025 Dreaming V0

  ：后台自动从历史对话中综合记忆，补充 Saved Memories

• 2026 Dreaming V3

  ：完全基于 Dreaming 的新架构，自动学习、自动更新、自动处理过时

架构特点：不用 RAG、不用向量数据库，而是四层简单结构。设计哲学是"简单胜过复杂"——四个直截了当的层，各自服务特定目的，共同创造出"记住你"的体验。

5.7 Anthropic Claude Memory

Anthropic 的 Claude 记忆采用与 ChatGPT 不同的哲学：通过 Memory Tool 让 Claude 在文件目录中存储和检索跨对话信息。Claude 可以创建、读取、更新和删除持久化文件，在不同会话间积累知识。

Claude Desktop 的记忆更偏重长期用户画像构建，而 ChatGPT 更偏重实时个性化。HN 上的讨论指出："Claude 的记忆实现感觉更面向长期目标——访问长期用户画像"。

5.8 Hindsight（Vectorize）

2026 年的新兴项目，在 LongMemEval 上达到 91.4% 的 SOTA 分数，远超 Mem0（49.0%）和 Zep（63.8%）。差距在需要组合多种检索模态的查询类型上最大。

六、选型指南：不同场景怎么选？

6.1 决策树

DECISION TREE · 选型指南

你的 Agent 需要记忆吗？

├─不需要（一次性任务、简单问答）→不加记忆层

└─需要

Q1 · 你在什么技术栈？

├─ Python + LangGraph →LangMem（最低摩擦）

├─ TypeScript / Node.js →Mem0或Hindsight（TS SDK 完善）

└─ 需要框架无关 →Mem0（21 框架集成）

Q2 · 你的记忆瓶颈在哪？

├─ 时序推理（"什么时候？"） →Zep / Graphiti

├─ 关系推理（"谁和谁？"） →Cognee或Zep

├─ 记忆积累后的噪音 →找有整合/巩固能力的方案

└─ 大规模生产 →Mem0（token 效率最佳）

Q3 · 自建还是用现成的？

├─ 自建（完全控制） →Letta（Apache-2.0，完全自托管）

└─ 用现成（快速上线） →Mem0 托管云（2 分钟）

Q4 · 企业合规要求？

├─ SOC 2 / HIPAA →Zep Cloud或Mem0 Enterprise

└─ 数据不出本地 →OpenMemory MCP或Mem0 自托管

6.2 关键考量维度

维度	问自己的问题
存储规模	记忆量是千级还是亿级？
检索精度	时序查询重要吗？多跳推理重要吗？
Token 成本	每查询 ~7K tokens 还是 ~26K tokens？规模化后差异巨大
集成生态	你用几个 Agent 框架？需要跨框架共享记忆吗？
运维复杂度	你有团队维护 Neo4j/Qdrant 吗？还是全托管更好？
隐私合规	数据可以上云吗？需要本地部署吗？
噪音管理	Agent 跑三个月后记忆库会变成什么样？有整合机制吗？

6.3 成本视角

方案	免费层	付费层	自托管
Mem0	有（API 免费）	托管云按量	开源自托管
Letta	开源免费	Letta Cloud	Apache-2.0 完全自托管
Zep	社区版免费	Cloud 按量	开源自托管
LangMem	完全免费开源	-	无需额外基础设施
Hindsight	OSS 免费	$9/月 flat	SQLite 本地运行

七、实践建议与常见陷阱

7.1 最佳实践

1. 设计之初就考虑噪音

   ：Agent 在生产环境跑几个月后，记忆特性会跟测试一周完全不同。选有整合/巩固能力的方案。

1. 记忆不是越多越好

   ：一个高频检索但已过时的记忆（"用户在 A 公司工作"直到用户换了工作）比没有记忆更危险。设计遗忘/衰减机制。

1. 用 metadata 过滤

   ：给记忆加结构化属性（{"context": "healthcare"}），不要只依赖语义搜索。

1. 异步写入

   ：记忆写入阻塞响应管线会增加用户可感知的延迟。Mem0 在 v1.0.0 将 async_mode=True 设为默认。

1. 多信号检索优于单信号

   ：语义相似度 + 关键词匹配 + 实体匹配的融合分数优于任何单一信号。

7.2 常见陷阱

陷阱	后果	解决方案
全上下文方案	延迟 17 秒，token 成本 14 倍	选择性记忆检索
只用向量相似度	时序和关系查询彻底失效	混合检索或图方案
只追加不整合	记忆库变成噪音堆	选用有 AUDN（Add/Update/Delete/None）循环的方案
忽略 token 效率	规模化后成本爆炸	关注每查询 token 消耗
框架锁定	换框架 = 重建记忆层	选框架无关的记忆层
无隐私设计	合规风险	OpenMemory MCP 或自托管方案

7.3 调试技巧

• 定期审计记忆内容

  ：Letta 的 /doctor 命令可审计记忆布局，检查是否正确放置、token 使用是否高效

• 可视化记忆图谱

  ：Zep/Graphiti 的图可视化能力可以帮助理解 Agent "知道"什么

• A/B 测试检索质量

  ：Mem0 开源了基准评估框架（github.com/mem0ai/memory-benchmarks），可以在自己的工作负载上运行

八、前沿研究：记忆系统的"最后一公里"

当前最紧迫的开放问题：

1. 跨会话身份解析

   ：匿名会话、多设备用户、混合认证流——如何判断两次交互来自同一个人？

2. 时序抽象的规模化

   ：BEAM 从 1M 到 10M token 有 ~25% 性能下降，如何在超大规模下保持时序推理能力？

3. 记忆陈旧性检测

   ：高频检索但已过时的记忆如何自动识别和更新？

4. 跨会话结构建模

   ：用户从纽约搬到旧金山，应该被理解为"转变"而非"替换"

5. 应用级评估

   ：LoCoMo 91.6 分不告诉你系统在你的医疗/法律工作负载上表现如何

九、总结

2026 年的 Agent 记忆系统已经从一个"nice to have"变成了生产级工程学科：

• 有标准化基准

  （LoCoMo / LongMemEval / BEAM）

• 有可量化的性能差距

  （架构选择在时序查询上可差 15 分）

• 有成熟的工具链

  （Mem0 的 21 框架 × 20 向量存储矩阵）

• 仍有明确的开放问题

  （噪音、时序、隐私、治理）

核心建议：不要问"哪个工具最好"，而要问"我的瓶颈在哪个维度——存储规模、记忆智能、时序推理、还是生命周期管理？"然后选择在那个维度最强的工具。

参考来源

核心论文

1. CoALA Framework — arXiv:2309.02427 (Princeton, 2023)

2. MemGPT — arXiv:2310.08560 (UC Berkeley, 2023)

3. Memory in the Age of AI Agents: A Survey — arXiv:2512.13564 (2025.12)

4. Mem0 Production Paper — arXiv:2504.19413 (ECAI 2025)

5. Zep Temporal KG — arXiv:2501.13956 (2025.01)

6. Continuum Memory Architecture — arXiv:2601.09913 (2026.01)

7. Governed Memory — arXiv:2603.17787 (2026.03)

8. MRAgent: Memory Reconstructed Not Retrieved — arXiv:2606.06036 (ICML 2026)

9. A-Mem: Agentic Memory — arXiv:2502.12110 (EMNLP 2025)

10. MINJA: Memory Injection Attacks — arXiv:2503.03704 (NeurIPS 2025)

11. Is Agent Memory a Database? — arXiv:2605.26252 (2026.05)

官方文档与博客

1. [Mem0: State of AI Agent Memory 2026](https://mem0.ai/blog/state-of-ai-agent-memory-2026)

2. [OpenAI: Dreaming: Better Memory for ChatGPT](https://openai.com/index/chatgpt-memory-dreaming/)

3. [Letta Code Memory Docs](https://docs.letta.com/letta-code/memory/)

4. [Anthropic Claude Memory Tool](https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool)

5. [LangMem SDK](https://langchain-ai.github.io/langmem/)

深度分析

1. [LLMrefs: How ChatGPT Memory Works, Reverse Engineered](https://llmrefs.com/blog/reverse-engineering-chatgpt-memory)

2. [IBM: What Is AI Agent Memory](https://www.ibm.com/think/topics/ai-agent-memory)

3. [Atlan: Types of AI Agent Memory](https://atlan.com/know/types-of-ai-agent-memory)

4. [Towards AI: State of AI Agent Memory 2026](https://pub.towardsai.net/the-state-of-ai-agent-memory-in-2026-what-the-research-actually-shows-0b77063c2c2b)

5. [Vectorize: Best AI Agent Memory Systems 2026](https://vectorize.io/articles/best-ai-agent-memory-systems)

6. [Graphiti: Knowledge Graph Memory](https://github.com/getzep/graphiti)

7. [Cognee: Open-Source Agent Memory Platform](https://www.cognee.ai/)