Awesome Agent Memory — Long-Term Context Index

简介

Awesome Agent Memory 汇总 agent 长期记忆的系统、基准与论文（含可复现开源实现标注与排序），用来快速了解记忆机制、检索策略与评测指标，并跟踪最新实践与新闻，适合做选型清单。

• 适合谁： 在做 coding agent / 长会话助手“记忆选型”的工程团队
• 可搭配： GitHub 阅读 + 你的论文/工具栈；把它当索引而不是框架本身
• 准备时间： 5–15 分钟

实战建议

• 按 products/tutorials/surveys/benchmarks/papers 分区（见 README 目录）。
• 先用一个 benchmark 定义门槛（延迟、召回、token 预算），再做方案选择。
• 维护一份“记忆回归集”：20–50 条历史问题，用于检测记忆策略改动后的漂移。

主要内容

一个更“工程化”的选型流程：

1. 先定义你的记忆对象：项目事实、用户偏好、工具状态，还是长转写。
2. 明确三角约束：延迟、隐私、token 预算。
3. 选一个 baseline（摘要+检索、向量库、图谱/wiki、或混合）。
4. 用一个 benchmark + 你的业务任务评测，再迭代。

重点是避免“无限上下文”。好的记忆系统是选择性的：只存高信号事实，并能解释为什么这条记忆会被取回。

FAQ

只有向量检索够吗？ 答：不一定。对 coding agent 通常需要混合：可继承的事实 + 可搜索的产物 + 可更新的摘要。

最先看哪个指标？ 答：召回精度：取回的内容有多大比例真的有用。精度低会最快烧 token。

怎么避免记忆过期？ 答：给记忆加时间戳与来源；定期复核关键事实，并清理长期不被使用的条目。