上下文窗口 200K 了为什么 Agent 还是记不住2026 年Claude Opus 4.7 的上下文窗口到了 1M tokenGPT-5.5 也到了 256K。看起来 Agent 可以一口气读完几十本书。但上下文窗口大 ≠ 有记忆。每次新会话Agent 还是失忆的。它不记得上次聊了什么、你的偏好是什么、上次的决策结果如何。Agent 记忆的真正挑战不是能塞多少 token而是跨会话持久化、结构化检索、图关系推理。记忆三层架构不是所有记忆都要进向量库我曾在 Agent 企业落地那篇文章里简单提过这个分层这里展开实战。层级存储生命周期典型数据技术方案工作记忆上下文窗口单次会话当前对话、中间推理步骤LLM Context短期记忆会话存储数小时-数天当前任务上下文、临时偏好Redis / LangGraph Checkpoint长期记忆持久化存储永久用户画像、历史决策、知识积累Mem0 / Neo4j / SQL关键原则不同记忆类型用不同存储不要全灌进向量库。方案一Mem0 —— 开箱即用的 Agent 记忆层Mem0 是 2026 年最火的 Agent 记忆中间件。它自动做三件事记忆提取、存储、检索。你只需要几行代码from mem0 import Memory from openai import OpenAI client OpenAI() memory Memory() # ── 1. 记忆自动提取与存储 ── # Mem0 从对话中自动识别值得记住的信息 conversation [ {role: user, content: 我叫张三是后端工程师团队用Go和PostgreSQL}, {role: assistant, content: 好的张三我记住了你的技术栈。}, {role: user, content: 我们项目是微服务架构有12个服务用的是gRPC通信}, ] # Mem0 自动提取结构化记忆 for msg in conversation: memory.add(msg[content], user_idzhangsan) # ── 2. 记忆检索 ── # Agent 收到新请求时先检索相关记忆 relevant_memories memory.search( 用什么技术栈做API网关, user_idzhangsan, limit5 ) for mem in relevant_memories: print(f[{mem[memory]}] (score: {mem[score]:.2f})) # 输出: # [张三使用Go和PostgreSQL] (score: 0.89) # [项目是微服务架构12个服务gRPC通信] (score: 0.82) # ── 3. 注入记忆到 Agent Prompt ── memory_context \n.join( f- {m[memory]} for m in relevant_memories ) response client.chat.completions.create( modelgpt-5.1, messages[ {role: system, content: f用户背景信息\n{memory_context}}, {role: user, content: 推荐一个适合我们项目的API网关方案} ] ) # Agent 自动推荐与 Go 生态兼容、适合 gRPC 微服务架构的网关方案二图记忆 —— Neo4j 存储实体关系向量检索能找相似但找不到张三负责哪些项目 → 这些项目用了什么技术栈 → 有哪些类似项目 → 谁在维护。这种跨实体多跳推理需要图记忆。from langgraph.store.memory import InMemoryStore from langgraph.store.base import Item import neo4j # ── 构建图记忆 ── driver neo4j.GraphDatabase.driver(bolt://localhost:7687, auth(neo4j, password)) def store_entity_relationship(entity1, relation, entity2, propertiesNone): 在 Neo4j 中存储实体关系 with driver.session() as session: session.run( MERGE (a:Entity {name: $e1}) MERGE (b:Entity {name: $e2}) MERGE (a)-[r:%s]-(b) SET r $props % relation.replace( , _), e1entity1, e2entity2, propsproperties or {} ) # Agent 从对话中提取实体 → 自动建图 store_entity_relationship(张三, 负责, 用户服务) store_entity_relationship(张三, 擅长, Go, {level: expert}) store_entity_relationship(用户服务, 使用, PostgreSQL) store_entity_relationship(用户服务, 调用, 订单服务, {protocol: gRPC}) store_entity_relationship(李四, 负责, 订单服务) store_entity_relationship(李四, 擅长, Rust) # ── 图查询多跳推理 ── def find_relevant_context(query_entity: str, hops: int 2): 围绕实体展开N跳图搜索 with driver.session() as session: result session.run( MATCH (a:Entity {name: $name})-[*1..%d]-(related:Entity) RETURN DISTINCT related.name as entity, labels(related) as type LIMIT 20 % hops, namequery_entity ) return [{entity: r[entity], type: r[type]} for r in result] # 问用户服务挂了影响谁 → 图搜索发现 → 张三负责 → 订单服务受影响 → 李四负责 context find_relevant_context(用户服务, hops2) # [{entity: 张三, type: [Entity]}, {entity: 订单服务, type: [Entity]}, # {entity: 李四, type: [Entity]}, {entity: Go, type: [Entity]}]方案三LangGraph Mem0 集成——生产级记忆 Agent单个技术用起来简单但生产环境需要把记忆集成到 Agent 工作流中from langgraph.graph import StateGraph, END from langgraph.checkpoint.memory import MemorySaver from mem0 import Memory from typing import TypedDict memory_client Memory() class AgentState(TypedDict): user_id: str query: str memories: list response: str def retrieve_memory(state: AgentState) - AgentState: 节点1: 检索相关记忆 memories memory_client.search( state[query], user_idstate[user_id], limit5 ) state[memories] [m[memory] for m in memories] return state def generate_response(state: AgentState) - AgentState: 节点2: 基于记忆生成回复 memory_context \n.join(f- {m} for m in state[memories]) response client.chat.completions.create( modelgpt-5.1, messages[ {role: system, content: f你是技术顾问。已知用户背景\n{memory_context}}, {role: user, content: state[query]} ] ) state[response] response.choices[0].message.content return state def store_memory(state: AgentState) - AgentState: 节点3: 从本轮对话提取新记忆 memory_client.add( fQ: {state[query]}\nA: {state[response]}, user_idstate[user_id] ) return state # ── 构建带记忆的 Agent ── workflow StateGraph(AgentState) workflow.add_node(retrieve, retrieve_memory) workflow.add_node(generate, generate_response) workflow.add_node(store, store_memory) workflow.add_edge(retrieve, generate) workflow.add_edge(generate, store) workflow.add_edge(store, END) workflow.set_entry_point(retrieve) # LangGraph Checkpoint 会话级短期记忆 跨会话持久化 checkpointer MemorySaver() app workflow.compile(checkpointercheckpointer) # 使用 result app.invoke( {user_id: zhangsan, query: 帮我优化用户服务的数据库查询}, config{configurable: {thread_id: session_001}} # 同一thread_id共享上下文 )图记忆 vs 向量记忆选型边界场景向量记忆 (Mem0)图记忆 (Neo4j)用户喜欢什么✅ 语义检索❌ 过度设计张三和李四有什么共同点❌ 无法推理✅ 图遍历这个决策的历史上下文✅ 时间线检索⚠️ 需加时间戳属性谁负责的模块受这个变更影响❌✅ 多跳推理实现复杂度⭐ 低⭐⭐⭐ 高实战建议先用 Mem0 快速上线90% 场景够用当出现需要跨实体推理的需求时再引入 Neo4j。小结2026 年Agent 的记忆问题已经从能不能记住变成了记住什么、怎么检索、不同记忆用什么存储。三层记忆架构的核心上下文窗口做工作记忆 → Mem0 做长期语义记忆 → Neo4j 做图关系记忆。三者各司其职别让一个工具打三份工。下一篇预告Agent 记忆系统进阶——记忆冲突消解、遗忘策略、隐私合规。