Agent Memory 方案选型

来源：LangGraph Memory · MemGPT / Letta · Zep · Claude Code CLAUDE.md | 整理时间：2026-05-14

概述

Agent 记忆方案的选择直接影响 Agent 的能力上限和运维成本。选错了，要么 Agent "太笨"（记不住东西），要么成本失控（向量数据库 + 嵌入费用）。本文从实际场景出发，帮你选对记忆方案。

方案一览

按场景选型

场景一：代码助手（Claude Code 场景）

需求：记住项目约定、编码风格、常用模式
推荐：CLAUDE.md 文件

为什么：代码项目的知识天然适合用 Markdown 文件表达——编码规范、项目结构、测试命令。文件就是最好的数据库。

# CLAUDE.md
## 项目约定
- TypeScript strict mode
- 测试: vitest
- 不要用 any

## 架构
- API 层: src/routes/
- 业务逻辑: src/services/
- 数据层: src/db/

够用就行的信号：你的 Agent 只需要项目级知识，不需要记住"上次对话讨论了什么"。

场景二：客服 Agent

需求：记住对话历史、用户信息、常见问题
推荐：会话摘要 + 结构化存储

# 简单的会话摘要实现
def summarize_conversation(messages):
    """对话超过 20 轮时，摘要旧的部分"""
    if len(messages) < 20:
        return messages
    old = messages[:10]
    recent = messages[10:]
    summary = llm.summarize(old)
    return [{"role": "system", "content": f"对话摘要: {summary}"}] + recent

场景三：知识库问答 Agent

需求：从大量文档中检索相关内容回答问题
推荐：向量数据库 + RAG

# RAG 记忆召回
from chromadb import Client

def recall_relevant(query: str, top_k: int = 5):
    """从知识库中召回相关文档片段"""
    results = collection.query(
        query_texts=[query],
        n_results=top_k,
    )
    return results["documents"][0]

场景四：企业级多 Agent 平台

需求：多层记忆、跨 Agent 共享、审计追踪
推荐：完整记忆平台（Zep / MemGPT / 自建）

选型决策树

你的 Agent 需要记忆吗？
│
├─ 不需要（一次性任务）
│  → 不用任何记忆方案
│
├─ 需要记住项目知识
│  → CLAUDE.md 或类似文件
│
├─ 需要记住对话历史
│  ├─ 对话不长（<20 轮）
│  │  → Context window 直接放
│  ├─ 对话较长（20-100 轮）
│  │  → 会话摘要压缩
│  └─ 对话很长（>100 轮）
│     → 会话摘要 + 结构化存储
│
├─ 需要检索大量文档
│  → 向量数据库 + RAG
│
└─ 多 Agent 共享记忆
   → 完整记忆平台

成本对比

常见错误