记忆系统（会话管理）！！！

引言笔者认为在未来最牛逼的agent技术部分绝对是围绕记忆系统去建设的，所以此章内容吃透绝对是无与伦比的提升！科普文章：业界承认度最高的两个方案1:mem0框架2:字节的viking框架个人观点：mem0 🆚 viking我们教学项目的具体实现1:用 Mem0 思想解决：怎么存记忆

字数: 489 | 语雀原文

---

引言

笔者认为在未来最牛逼的agent技术部分绝对是围绕记忆系统去建设的，所以此章内容吃透绝对是无与伦比的提升！

科普文章：

业界承认度最高的两个方案

1:mem0框架

2:字节的viking框架

个人观点：

我们教学项目的具体实现

1:用 Mem0 思想解决：

怎么存记忆

• fact extraction
• dedup
• entity graph
• semantic retrieval

2:用 Viking 思想解决：

怎么组织上下文

• runtime state
• planner state
• task memory
• tool state
• context assembly

实现方案

• 短期记忆：滑动窗口维持最近的多轮对话摘要

• 长期记忆：存入milvs和es，混合检索，保证精确性和语义性，对长期记忆进行纬度维护。

• 长期记忆管理：去重、合并、过期、重要性衰减机制 （模仿mem0 有 memory consolidation（相似记忆自动合并）和去重机制）

• 使用记忆的时候怎么组织上下文呢？（借鉴viking思想）：

1:去重

双重去重：（硬去重）哈希去重+（软去重）向量化去重

向量化去重：本条记忆如果与长期记忆表中检索到一条相似度大于0.92的，即放弃存入长期记忆表

2:合并

Step1：召回相似记忆

topK semantic search

Step2：相似度判断

例如：

sim > 0.85

进入 consolidation。

Step3：LLM 合并

Prompt：

请将以下记忆合并成一条更稳定、更长期、更抽象的用户事实：

输出：

用户长期使用 Go 开发 AI Agent 系统

Step4：更新 Memory

不是新增。

而是：

replace old memory

3:过期和重要性

ttl和importance本质是分不开的

ttl随着importance的动态变化而变化