title: Agent记忆系统：让AI拥有长期记忆，从MemGPT到Letta实战
tags: Agent记忆,MemGPT,Letta,长期记忆,Mem0,Zep,AI Agent,智能体记忆
category: 人工智能

Agent记忆系统：让AI拥有长期记忆，从MemGPT到Letta实战

本文是《AI编程与Agent实战》系列第11篇。第10篇用CrewAI和LangGraph搭了一个多Agent协作团队，结尾指出多Agent系统最大的失败来源是架构设计而非模型能力，存活的生产拓扑清一色是「中央编排器加专业工人」。

系列前置阅读：第01篇：工具横评 | 第02篇：Cursor入门 | 第03篇：Claude Code实战 | 第04篇：本地模型编程 | 第05篇：Agentic Engineering | 第06篇：AI代码安全 | 第07篇：全栈项目实战 | 第08篇：Agent开发入门 | 第09篇：MCP Server开发 | 第10篇：多Agent协作与A2A协议

2026年6月，awesomeagents.ai 对 Mem0、Zep、Letta、LangMem、Cognee 五个记忆框架做了横向评测。结论里有一句话值得所有做Agent的人停下来想三秒：现代生产Agent最常在记忆这一层崩溃，而不是在推理或工具调用那一层。一个能调十几个MCP工具、跑通复杂多Agent流程的系统，可能因为「忘了三天前用户说过的话」而把整个体验毁掉。

这句话点破了Agent工程的真相。LLM本身没有记忆，每一次调用都从一张白纸开始。对话历史、用户偏好、任务状态，全靠外部系统在每次请求时往上下文里塞。塞少了，Agent失忆；塞多了，上下文窗口爆炸、Token账单失控。记忆系统的全部工程，就是在这两端之间找平衡点。

这篇从底层原理到产品化框架，拆开Agent记忆的全景：全量上下文怎么走到RAG再走到长期记忆产品化；Letta（前身MemGPT）怎么像操作系统一样管理上下文窗口；Mem0和Zep两种截然不同的记忆哲学；以及一个被厂商宣传刻意模糊的真相：同一份长期记忆基准，厂商自测和第三方独立评测的分数能差出45个点。

来源：awesomeagents.ai《AI Agent Memory in 2026: 5 Frameworks Ranked》2026.06

目录

  1. 为什么Agent需要记忆：LLM无状态的本质
  2. 记忆系统的演进路径：从全量上下文到长期记忆产品化
  3. Letta（前身MemGPT）：像操作系统一样管理记忆
  4. Mem0与Zep：两种产品化记忆哲学
  5. 实战：用Mem0给Agent加上跨会话长期记忆
  6. 选型地图：Letta / Mem0 / Zep / Hindsight怎么选
  7. 辩证看待：记忆不是存更多，是想起正确的
  8. 总结与下一篇预告

1. 为什么Agent需要记忆：LLM无状态的本质

1.1 每次调用都是一张白纸

对LLM的每一次API调用，模型拿到的只有这一次请求里携带的内容。上一轮对话说了什么、用户是谁、之前完成了什么任务，模型一概不知道。上下文窗口就是它全部的世界，响应发出后这个世界就消失了。

应用层最朴素的办法，是把整个对话历史原样塞回下一次请求。这在短对话里没问题，代价是线性的：对话越长，每次请求的Token越多。当对话跨天、跨周、跨成百上千个用户时，朴素重放历史的方式在成本和延迟上都撑不住。传统RAG的研究已经证明，长上下文直接塞满会迅速劣化推理质量，模型在海量历史里反而不容易定位关键信息。

1.2 记忆要解决的问题有三层

Agent记忆不是「把聊天记录存下来」这么简单。它要同时解决三件事。

留存。 跨会话、跨用户、跨任务地保留信息。用户上周说的偏好，今天还得记得。

更新。 事实会变。用户上周是Python工程师，这周转去做Go，旧记忆不能被破坏，但要被正确的新记忆覆盖。直接覆盖会丢掉时间线索，不覆盖会留下互相矛盾的历史。

唤起。 在正确的时刻把正确的信息送回上下文。存了一万条记忆，但当前查询只需要其中三条，系统得知道取哪三条，且取回来的Token量要压在预算内。

这三点合起来，才是记忆系统的真正难题。存储本身最便宜，难的是后两件事。

来源：callsphere.ai《Letta (formerly MemGPT) in 2026》2026, agentscookbook.com《Letta Memory Architecture》2026, lmatlas.com《MemGPT / Letta》2026

2. 记忆系统的演进路径：从全量上下文到长期记忆产品化

2.1 第一阶段：全量上下文

最早的方案就是把完整对话历史放进prompt。实现最简单，没有任何外部依赖。瓶颈也最明显：上下文窗口有限，Token成本随对话长度线性增长，超长对话必须截断，截断意味着不可逆的信息丢失。它适合一次性问答机器人，不适合长期运行的Agent。

2.2 第二阶段：RAG（检索增强生成）

RAG把知识搬出上下文，存进向量数据库，需要时按语义相似度检索一小段塞回prompt。这解决了「知识库太大塞不进窗口」的问题，让Agent能调用远超窗口容量的外部知识。

RAG的局限在于它是静态的。它检索的是预先写好的文档，对「用户刚说的话」「刚才发生的交互」这类动态、私有的信息无能为力。一个客服Agent用RAG能查产品手册，却记不住「这个用户上个月投诉过三次」。

2.3 第三阶段：Agentic RAG 与 GraphRAG

Agentic RAG让检索本身由Agent驱动：Agent决定什么时候检索、检索什么、检索几轮，甚至根据第一次检索的结果改写查询再检索。GraphRAG在向量检索之外引入知识图谱，把实体和关系结构化，支持多跳推理（「A的上级是谁」「B和C是什么关系」）。

这两个方向把RAG从「被动检索」推向「主动、结构化检索」，但记忆仍然围绕文档和知识库，没有把「用户、会话、任务状态」当作一等公民。

2.4 第四阶段：长期记忆产品化

2025到2026年，记忆从「RAG的一个配件」变成了独立的基础设施层。专门的记忆框架（Letta、Mem0、Zep、LangMem、Cognee）把留存、更新、唤起三件事产品化，提供跨会话、跨用户、跨Agent的记忆作用域（scope），内置事实提取、去重、时效管理和Token预算控制。

演进的本质，是记忆的管理权从应用代码交给了专门的系统。开发者不再手写「每次请求时从哪张表里查什么」，而是声明记忆作用域，由记忆框架决定存什么、怎么更新、取回多少。

来源：vectorize.io《Mem0 vs Zep (Graphiti)》2026, awesomeagents.ai 记忆框架评测 2026.06

3. Letta（前身MemGPT）：像操作系统一样管理记忆

3.1 一个来自伯克利的洞见

MemGPT论文2023年出自UC Berkeley，核心类比极其清晰：把LLM当成运行在一个内存受限的操作系统上的进程。上下文窗口是RAM，外部存储是磁盘，模型自己拥有把信息在两层之间换入换出的工具。项目壮大后从单纯的论文实现扩展为通用Agent框架，改名为Letta。

大多数Agent框架先给你编排能力，记忆是后加的插件。Letta反过来了：它先交付记忆，编排是后加的。如果你的核心痛点是「这个Agent必须跨会话记住东西，并且自己决定什么值得记」，Letta对这个怎么记有强主张；如果你的痛点是「这条流水线需要在图里做三次检索」，那该看别的框架。

2026年Letta又交出一张硬牌：Letta Code，一个记忆优先的编程Agent，在Terminal-Bench（模型无关的OSS编程Agent榜单）上排第一。它的「对话API」让多个并行用户体验之间共享记忆。这证明了三级记忆架构不只能做对话助手，也能支撑长期运行的代码智能体。

来源：callsphere.ai《Letta in 2026》2026, sureprompts.com《Letta (MemGPT) Walkthrough》2026, lmatlas.com《MemGPT / Letta》2026

3.2 三级记忆架构

Letta把记忆分成三层，每层在延迟和容量上做不同权衡，对应操作系统的存储层级。

层级 类比 内容 访问方式 容量
Core Memory（核心记忆） RAM 始终在上下文窗口内的人格与关键事实 每轮直接读取，无检索 小（每块约2000字符）
Recall Memory（回忆记忆） SSD缓存 可搜索的对话历史 通过工具调用按需查询 大
Archival Memory（归档记忆） 磁盘 长期知识库，向量索引 通过工具调用语义检索 近乎无限

Core Memory 是Agent每轮都看得见的东西，包含系统提示、记忆块和近期对话范围。它始终在上下文里，读取零成本，但被窗口和Token预算紧紧约束。记忆块就住在这里。

Recall Memory 装着对话日志，Agent在需要翻看更早的会话内容时通过工具调用搜索它。比Core慢（要付一次工具调用），但比Core大得多。

Archival Memory 是长期可搜索知识库，Agent用工具调用插入和检索，底层通常是向量索引。容量近乎无限，延迟三层里最高，因为Agent要先构造查询、结果再绕回循环。

分层的意义不在优雅，在于模型必须为每条信息决定它属于哪一层。这个决策本身就是Agent的工作，而不是应用层写死的规则。

3.3 记忆块：可持久化的带标签文本

Core Memory不是一整块字符串，而是由带标签的记忆块（memory block）组成。约定俗成的块有：

块标签 用途
persona Agent的身份、性格、行为准则
human Agent对当前用户的认知
system 任务相关上下文、规则、知识
自定义块 你定义的任意标签，如项目状态

因为Core Memory始终在上下文里，它受字符上限约束（默认每块约2000字符）。Agent在对话过程中可以通过内部记忆工具自己更新这些块。

3.4 自我编辑与虚拟内存管理

Letta最关键的创新，是Agent能在对话中途自己改自己的记忆。当用户说「顺便说我换到Go项目了，以后例子用Go」，Agent的内部思考会决定调用记忆工具更新human块，然后才回应用户。这一切不需要你写任何代码，Agent根据对话内容自己判断什么时候记。

底层是操作系统虚拟内存管理的翻版：

上下文窗口（RAM）即将溢出
  │
  │  Letta 发出系统消息：「你的上下文快满了」
  │
  ▼
Agent 决策：
  ├─ 把冷事实「paging out」到 Archival Memory（磁盘）
  ├─ 把近期内容摘要进 Core Memory（保留热数据）
  └─ 把旧对话历史移入 Recall Memory（SSD缓存）

下一轮：
  Agent 需要时再「paging in」从 Archival / Recall 检索回来

让模型自己负责记忆卫生，意味着它决定什么值得记、什么该摘要、什么该归档，全部通过正常循环里的工具调用完成。代价也实在：每轮要多花一点推理预算做记忆家务，所以每轮Token更多、循环更慢。长对话里它比朴素重放更省，但比无记忆的单轮调用贵。

3.5 实战：用Letta SDK读写记忆

下面这段基于Letta官方Python SDK，演示两个动作：从外部读取Agent对用户的认知，以及从外部直接修改human记忆块。

from letta_client import Letta
import os

client = Letta(api_key=os.getenv("LETTA_API_KEY"))

# 读取 Agent 对用户的认知（human 记忆块）
human_block = client.agents.core_memory.blocks.retrieve(
    agent_id="agent-your-id-here",
    block_label="human",
)
print(human_block.value)

# 外部直接更新记忆块：写入用户的最新画像
client.agents.core_memory.blocks.modify(
    agent_id="agent-your-id-here",
    block_label="human",
    value=(
        "Name: Sarah Chen\n"
        "Role: Senior Software Engineer\n"
        "Preferred language: Python\n"
        "Current project: Building a RAG system for internal docs\n"
        "Last interaction: Asked about Pinecone vs Weaviate"
    ),
)

而Agent自己在对话中更新记忆，不需要你写上面的代码。它会在正常循环里调用 core_memory_append 或 core_memory_replace，把新学到的偏好写进对应块。你看到的现象是：用户随口说了一句偏好，下一轮Agent就已经「记得」了，且这个记忆跨会话、跨进程重启都存活（状态默认持久化到数据库）。

来源：agentscookbook.com《Letta Memory Architecture》2026, leadai.dev《Letta (MemGPT) Review》2026.03, callsphere.ai《Letta in 2026》2026

4. Mem0与Zep：两种产品化记忆哲学

如果说Letta把「记忆管理权交给Agent自身」，Mem0和Zep走的是另一条路：它们作为独立的记忆层，由你的应用代码在合适的时候写入和检索，Agent不直接拥有修改自己记忆块的工具，而是通过一个干净的服务API操作记忆。两者内部架构却代表了两种截然相反的信仰。

4.1 Mem0：向量加知识图谱的双存储

Mem0用混合存储：向量数据库负责语义相似度，属性图负责实体关系，键值层负责结构化事实。写入一条记忆时，Mem0自动抽取事实、与已有条目去重，并跨三层存储。检索时同时查三层再合并。

几个关键事实（2026年状态）：

  • GitHub约48K stars，Python包下载量约1400万次，2025年底完成2400万美元A轮，YC背书。
  • 作用域覆盖session、user、agent、organization，框架无关，能和LangChain、LlamaIndex、CrewAI、AutoGen及任何LLM配合。
  • 定价分Hobby（免费，1万条记忆）、Starter（19美元/月）、Pro（249美元/月，解锁图检索）。注意：图功能在Pro及以上才开放，免费和19美元档只有向量语义检索。

Mem0的Token效率算法是它主打的卖点：单次交互就抽取出结构化记忆（事实、偏好、计划、纠正），存为紧凑记录，而不是存原始对话Token。检索时把回传payload压到约7000 Token以内，而全上下文方案在LongMemEval上可爬到约11.5万Token每次检索。

来源：mem0.ai官方对比页 2026, awesomeagents.ai 记忆框架评测 2026.06, vectorize.io《Mem0 vs Zep》2026

4.2 Zep：时序知识图谱（Graphiti）

Zep把所有记忆建在Graphiti引擎上，核心差异是一个词：时间。大多数记忆系统存的是「说过什么」，Zep存的是「说过什么，以及它什么时候为真」。Graphiti把每次事件拆成实体（节点）、关系（边）和时序属性，每条边都带有效性窗口：这个事实从哪个时间戳开始为真、在哪个时间戳被取代、置信度多少。底层图数据库可以是Neo4j、FalkorDB或Kuzu。

这让Zep在「X时间点什么是真的」「这个关系怎么随时间演变」这类时序推理查询上最强。合规追踪、审计、演化中的客户关系，都是它的主场。代价是基础设施重：走Zep Cloud由厂商托管Neo4j；若直接自托管Graphiti，得自己维护图数据库。Zep社区版已于2025年4月弃用，自托管门槛抬高了。

来源：vectorize.io《Mem0 vs Zep》2026, awesomeagents.ai 记忆框架评测 2026.06

4.3 基准之争：厂商数字与第三方数字的鸿沟

这是整篇文章最有价值的辩证点。同一份长期记忆基准LongMemEval，不同来源给出的分数天差地别：

来源 Mem0 Zep 备注
Mem0官方对比页 94.4 71.2 厂商自测，GPT-4o
vectorize.io 独立评测 49.0 63.8 第三方，GPT-4o
awesomeagents.ai 汇总 49.0 63.8 引用独立评测

差距大到45个点。Mem0官方把自身画成遥遥领先，独立评测里它反而低于Zep。分歧来自评测口径：厂商版本通常跑在带图检索的Pro配置上，且用自己的检索实现；独立评测多在标准档、统一查询协议下对比。

这件事的启示不止于「选谁」。它说明Agent记忆这个赛道还没有公认的、厂商中立的评测标准，所有基准数字都要带着出处看。一个框架说自己94分，先问三个问题：谁测的、什么配置、和谁比。

来源：mem0.ai官方对比页 2026, vectorize.io《Mem0 vs Zep》2026（独立LongMemEval评测）, awesomeagents.ai 记忆框架评测 2026.06

4.4 一个被忽略的第三方：Hindsight

评测里反复出现一个名字Hindsight，值得单独提。它同时跑四种检索策略（语义、BM25关键词、图遍历、时序推理），用交叉编码器重排合并结果，底层是嵌入式PostgreSQL，不需要外部图库或向量库。LongMemEval上它拿到94.6%，高于Mem0和Zep的第三方分数。它的卖点是「单策略系统要在多种检索模态组合的问题上猜走哪条路，Hindsight四条路全跑」。

这提示一个趋势：记忆系统的下一个战场不是「存什么」，而是「同时用几种方式取、怎么融」。单策略架构在跨模态查询上天然有盲区。

来源：vectorize.io《Mem0 vs Zep》2026（Hindsight章节）

5. 实战：用Mem0给Agent加上跨会话长期记忆

下面用Mem0的托管云SDK演示最小可用闭环：写入用户偏好，跨会话检索。

# pip install mem0ai
from mem0 import MemoryClient
import os

client = MemoryClient(api_key=os.getenv("MEM0_API_KEY"))

# ① 写入记忆（一次对话）
messages = [
    {"role": "user", "content": "我吃素，对坚果严重过敏。"},
    {"role": "assistant", "content": "记下了，我会记住你的饮食限制。"},
]
client.add(messages, user_id="user123")

# ② 跨会话检索（另一天、另一个请求）
results = client.search(
    "我的饮食有什么禁忌？",
    user_id="user123",
)
for r in results:
    print(r["memory"])

# ③ 偏好更新：Mem0 用「追加新记忆显式覆盖旧记忆」而非破坏式更新
messages2 = [
    {"role": "user", "content": "最近医生让我也避开麸质。"},
    {"role": "assistant", "content": "已更新，你的限制现在是素食、坚果、麸质。"},
]
client.add(messages2, user_id="user123")

三件事在这段代码里发生：记忆按user_id作用域隔离；写入时Mem0在单次交互里抽取出结构化事实而非存原始对话；更新时不删旧记忆，而是追加一条明确覆盖前者的新记忆，保留时间线索。

把它接进Agent loop只需两步：每次用户说完，把本轮对话 add 进Mem0；每次Agent要回应前，用当前上下文 search 出相关记忆，拼进prompt。Agent本身不需要任何记忆工具，记忆层对你来说是透明的服务。

来源：mem0.ai官方SDK示例 2026, mem0.ai《Mem0 vs Zep》2026

6. 选型地图：Letta / Mem0 / Zep / Hindsight怎么选

一张决策表收口：

维度 Letta Mem0 Zep Hindsight
记忆管理权 Agent自我编辑 应用层服务API 应用层服务API 应用层服务API
核心架构 三级（RAM/SSD/磁盘） 向量+图双存储 时序知识图谱 四策略并行+PostgreSQL
最强场景 长期运行、跨会话自主Agent 个性化、跨用户长期记忆 时序推理、合规审计 跨模态复杂检索
自托管 完整（开源） 完整（Apache 2.0） 仅原生Graphiti（需自建图库） 嵌入式PG，简单
免费起步 有 Hobby档可用 Flex档25美元/月 各档功能不阉割
图/关系能力 块内文本 Pro档才有 核心能力 内置
LongMemEval（独立） 未统一发表 49.0 63.8 94.6

选Letta，当你的Agent必须跨会话自己决定记什么、且你要的是一等公民的Agent运行时而非记忆插件。长运行个人助手、多会话产品是它最对味的问题。

选Mem0，当你的核心需求是跨用户、跨会话的准确个性化记忆，且你想要最大开源社区、最少配置上托管云。不需要图关系时，免费Hobby档就能原型。

选Zep，当时序推理是你的工作负载核心。合规、审计、演化中的实体关系，它的时序知识图谱是同类最佳，25美元Flex档功能不阉割。

看Hindsight，当你的查询经常需要组合多种检索模态（时序+语义、实体+关键词），且你想避开单策略架构的盲区。

一个反直觉但务实的建议：不要因为「记忆框架很酷」就上。如果你的Agent是单轮工具调用、无状态流水线，一个向量库加metadata就够，上Mem0或Zep是净负担。记忆系统是为「会忘」的代价已经超过「记」的成本时才值得引入。

来源：awesomeagents.ai 记忆框架评测 2026.06, vectorize.io《Mem0 vs Zep》2026

7. 辩证看待：记忆不是存更多，是想起正确的

7.1 记忆有真实成本，不是免费午餐

Letta把记忆卫生交给Agent自己，每轮要多花推理预算做「记不记、怎么记」的决策，所以每轮Token更多、循环更慢。Mem0的Token效率算法把检索payload压到约7000 Token，但写入和检索本身仍有调用开销。任何记忆系统都在用「每次请求的小额固定税」换「跨会话不再失忆」。算不清这笔账，记忆系统会从资产变成负担。

7.2 基准数字是有立场的

第4.3节的45分鸿沟值得反复咀嚼。Mem0官方自测94.4，独立评测49.0，同一基准。框架厂商有充分动机在对自己有利的配置下公布数字。对一个仍在快速演化的赛道，「谁测的、什么配置、和谁比」比「分数是多少」更重要。把厂商宣传页当事实用，是在用别人的KPI做自己的架构决策。

7.3 记忆解决不了架构问题

回到第10篇的结论：多Agent系统79%的失败来自架构而非模型。记忆系统同理。给一个角色定义模糊、任务边界不清的Agent加上顶级记忆框架，它只会更高效地记住错误的前提，把错误在跨会话维度上固化。记忆是放大器，不是修正器。先有对的Agent设计，记忆才发挥作用。

7.4 何时不该用记忆系统

三个红线：

单轮无状态流水线。 一次调用完事，没有跨会话上下文需求。直接写普通函数，别引框架。

查询模式极简单。 只需要「这个用户的通知偏好是什么」这种单跳检索，向量语义搜索足够，不需要图、不需要时序、不需要四策略。

团队还没想清记忆作用域。 user、session、agent、organization四层作用域如果没定义清楚，记忆会互相污染。先写清「什么信息属于谁、保留多久、何时失效」，再引框架。

来源：sureprompts.com《Letta Walkthrough》2026, vectorize.io《Mem0 vs Zep》2026, callsphere.ai《Letta in 2026》2026

8. 总结与下一篇预告

8.1 核心要点

LLM本质无状态，每次调用从白纸开始。Agent记忆要同时解决三件事：留存（跨会话保留）、更新（事实变化时不破坏旧记忆）、唤起（正确时刻取回正确信息且Token可控）。存储最便宜，后两件事最难。

记忆系统的演进从全量上下文（线性Token增长、易截断）走到RAG（外部知识可检索但静态），再到Agentic RAG与GraphRAG（主动、结构化检索），最终在2025到2026年沉淀为独立的长期记忆产品层，把留存、更新、唤起三件事产品化，并引入session/user/agent/organization作用域。

Letta（前身MemGPT，源自UC Berkeley 2023论文）把LLM当成运行在内存受限操作系统上的进程，用Core（RAM）/Recall（SSD）/Archival（磁盘）三级记忆和带标签记忆块实现虚拟内存管理。Agent自己通过工具调用决定记什么、摘要什么、归档什么，跨进程重启记忆都存活。Letta Code在Terminal-Bench模型无关OSS编程Agent榜排第一。

Mem0走向量加知识图谱双存储，框架无关，适合跨用户个性化长期记忆，免费Hobby档可原型，图功能在249美元Pro档。Zep以Graphiti时序知识图谱为核心，每条边带有效性窗口，时序推理与合规审计最强，社区版已弃用、自托管需自建图库。Hindsight用四策略并行检索加PostgreSQL，独立评测LongMemEval 94.6%，代表「多路取、再融合」的新方向。

最关键的一课：同一份LongMemEval基准，Mem0官方自测94.4，独立评测49.0，Zep独立评测63.8。基准数字是有立场的，选型要看「谁测的、什么配置、和谁比」。

辩证地看，记忆系统用每轮固定Token税换跨会话不失忆，是放大器不是修正器。给架构错误的Agent加记忆，只会更高效地把错误固化。单轮无状态、查询极简、作用域没想清时，不该上记忆框架。

8.2 下一篇预告

第12篇：实战项目——用AI Agent搭建自动化客服系统（从设计到部署）

这篇把系列前11篇的能力串起来落地：意图分类、RAG检索、工具调用、长期记忆（本篇所学）、多Agent协作（第10篇），构成一个能处理八成常见问题的7x24自动化客服。怎么设计架构、用什么技术栈、记忆和工具怎么接、Docker怎么部署、效果和成本怎么评估。从「懂原理」到「能上线」的跨越。

系列推荐阅读：

本文数据来源：awesomeagents.ai《AI Agent Memory in 2026: 5 Frameworks Ranked》（2026.06，五框架横向评测，LongMemEval独立分数Mem0 49.0 / Zep 63.8 / Hindsight 94.6）、mem0.ai官方对比页与SDK示例（2026，厂商自测LongMemEval Mem0 94.4 / Zep 71.2，48K stars，1400万下载，2400万A轮）、vectorize.io《Mem0 vs Zep (Graphiti): AI Agent Memory Compared》（2026，独立LongMemEval评测、Graphiti时序知识图谱、Hindsight四策略检索、Zep CE弃用说明）、callsphere.ai《Letta (formerly MemGPT) in 2026》（2026，Letta Code Terminal-Bench第一、三级记忆架构、Conversations API）、agentscookbook.com《Letta Memory Architecture》（2026，记忆块、核心/回忆/归档三层、SDK示例）、sureprompts.com《Letta (MemGPT) Walkthrough》（2026，虚拟内存管理、自我编辑、成本权衡）、leadai.dev《Letta (MemGPT) Review》（2026.03，双记忆架构、多用户隔离）、lmatlas.com《MemGPT / Letta》（Virtual Context Management，操作系统虚拟内存类比）。

# 人工智能
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

GitHub 热榜项目 - 周榜(2026-07-26)

avatar AI Agent技术社区

使用 Agent 安装 SKILL 并管理 Joplin 笔记

本文记录如何通过 AI Agent 一键安装 Skill 插件，并实现 Joplin 笔记的智能整理与同步。

avatar AI Agent技术社区

MCP和SKILL的区别和联系

MCP和Skill是Agent中两个互补的概念，它们的关系可以理解为：AI Agent是一台电脑，MCP是通用的“USB接口协议”，Skill则是电脑里安装的“专业软件”。这里尝试参考网络资料，探索MCP和SKILL的区别和联系。

avatar AI Agent技术社区