【免费下载链接】Agent_Memory_TechniquesAgent memory for LLMs: 30 runnable Jupyter notebooks covering conversation buffers, vector stores, knowledge graphs, episodic and semantic memory, MemGPT, Mem0, Letta, Zep, Graphiti, LoCoMo benchmarks, and production patterns.项目地址https://gitcode.com/gh_mirrors/ag/Agent_Memory_Techniques点击查看免费下载Agent Memory Techniques 是一个包含 30 个可运行 Jupyter Notebook 的开源项目系统梳理了 LLM Agent 的各大记忆技术。本文以其中的Knowledge Graph Memory知识图谱记忆为例用尽量少的代码讲清楚如何用三元组把对话变成一张关系网让 Agent 具备多跳推理能力——不再只是记住孤立的事实而是理解谁和谁是什么关系。为什么 Agent 需要知识图谱记忆想象一张公司组织架构图它不孤立地存Bob 是工程师而是记录Carlos 管理 BobBob 参与 Project XProject X 依赖 Q3 预算。沿着这些连线走几步你就能回答谁管理着 Alice 的整个团队这类单条事实答不上来的问题。这正是 07 Entity Memory 与 Knowledge Graph Memory 的本质区别记忆方式存储内容能回答的问题Entity Memory07单个实体的事实平铺存放Alex 是做什么的Knowledge Graph Memory08实体 实体间的有向关系Alice 的公司里还有谁在做什么知识图谱的核心结构很简单节点Node实体如人、项目、地点边Edge带类型的关系如manages、depends_on、works_at三元组Triple每条关系记为(主语, 谓语, 宾语)(Alice) --[manages]-- (Bob) (Wavelength) --[depends_on]-- (MusicGraph) (Priya) --[works_at]-- (Spotify)Knowledge Graph Memory 的完整流程官方实现 README 中整个系统由三个组件协作完成对应 knowledge_graph_memory.ipynb 里的三个类TripleStore基于 NetworkX 有向图的存储。负责添加三元组、查询实体邻域、寻找两实体间最短路径、序列化为 JSON。TripleExtractor用 LLM 的 function callingClaude tool-use把自由文本解析成结构化的(subject, predicate, object)三元组。KnowledgeGraphMemory总控。构建提示词时先找出消息中提到的实体取出它们的 1~2 跳邻域子图作为上下文注入 prompt回复后再抽取新三元组回写图。流程一句话概括每轮对话 → 抽取三元组 → 更新图提问时 → 定位实体 → 取邻域子图 → 注入 prompt → 生成关系感知的回答。核心技巧三元组抽取三元组抽取是整个技术的地基。实现方式是把抽取关系定义为一个 LLM 工具tool schema要求模型为每条关系输出三个字段subject源实体要求简洁一致如Alice而不是我的朋友 Alicepredicate关系类型统一用 snake_case如works_at、managesobject目标实体这种 LLM 抽取比规则方法灵活得多但噪声也是最大的坑模型可能输出不一致的谓词manages与is_manager_of或实体别名Professor Chen与Prof. Chen生产环境需要实体归一化entity resolution来兜底。子图检索别把整张图塞进 Prompt图会越长越大全量序列化塞进 prompt 既浪费 token 又稀释注意力。Knowledge Graph Memory 采用子图检索Subgraph retrieval扫描当前用户消息命中图中已知实体名如我的经理→ Carlos取出这些实体1~2 跳的邻域三元组格式化成可读文本如Carlos --[manages]-- Aisha注入 system prompt配合最近 10 条消息的滑动窗口一起送给 LLM这样 prompt 里只有问题真正触达的那一小片关系网成本可控、信噪比高。多跳推理图谱记忆真正 shines 的地方多跳推理multi-hop reasoning是图谱记忆相对其他技术的杀手锏——它需要沿多条边串联分散在不同轮次的事实我参与的项目依赖哪个数据集 →Priya → works_on → Wavelength → depends_on → MusicGraph除了我我的经理还管谁 →Priya ← managed_by ← Carlos → manages → AishaAlex 和 Spotify 之间有什么联系 → 需要找到跨实体族的最短路径notebook 里还内置了一个对照实验30 轮对话中埋入 10 条关系事实穿插闲聊填充最后用 10 个回忆问题含多跳问题考核 Knowledge Graph Memory 与只保留最近 10 条消息的滑动窗口。结果符合预期——滑窗会忘掉滚出窗口的关系事实而图谱记忆把三元组固化下来在关系密集型回忆任务上显著占优。实验设计可参考 notebook 源码。跨会话持久化关系知识随会话存活TripleStore提供save/load把整张图序列化成 JSON 边列表落盘新会话加载后立即拥有全部历史关系——用户无需重新解释自己的世界。这在项目管理助手、组织助理这类长期使用场景中价值巨大。局限与踩坑清单局限说明应对思路抽取噪声LLM 三元组可能不一致、错误谓词规范化、实体消歧、置信度过滤双倍 API 成本每轮额外一次抽取调用抽取用更小模型或批量抽取图维护去重、冲突消解Alice 在 Acme→Alice 离职、剪枝引入时间戳与失效标记序列化开销图转文本不如摘要省 token子图检索 邻域深度控制规模上限NetworkX 纯内存超大图吃力换 Neo4j 等图数据库如何选Knowledge Graph Memory 与相似技术对比技术存储形式最适场景07 Entity Memory实体→事实的平铺存储只问单个实体本身08 Knowledge Graph Memory有向图三元组组织层级、依赖链、关系推理24 GraphitiNeo4j 时间感知知识图谱生产环境需追踪事实何时变化06 Vector Store Memory向量嵌入语义相似的模糊检索组合使用是常见打法向量检索负责模糊找图遍历负责精确走这一混合模式正是 Graphiti 与 Zep 的生产实现见 docs/topics.md 的完整主题索引。上手指南跑通第一个 Knowledge Graph Memory克隆仓库后安装依赖需要 Python 3.8 与ANTHROPIC_API_KEYpip install -r requirements.txt在.env中配置ANTHROPIC_API_KEY打开 all_techniques/08_knowledge_graph_memory/knowledge_graph_memory.ipynb依次运行构建关系图 → 检查三元组 → 可视化图谱 → 多跳问答 → 跨会话持久化 → 对照实验想深入原理读 README.md 的 FAQ含与 Entity Memory 的取舍、失败模式分析总结Knowledge Graph Memory把对话转化为(主语, 谓语, 宾语)三元组有向图节点是实体、边是关系三元组抽取靠 LLM function calling 完成灵活但有噪声需要归一化兜底子图检索只把问题触及的 1~2 跳邻域注入 prompt兼顾效果与 token 成本多跳推理是其核心竞争力串联分散在不同轮次的事实回答关系之问生产级扩展请看 24 Graph Memory (Graphiti)时间感知 Neo4j 混合检索如果你的 Agent 需要理解谁管谁、谁依赖谁知识图谱记忆就是那份从记住事实升级到理解关系的钥匙 。赞分享【免费下载链接】Agent_Memory_TechniquesAgent memory for LLMs: 30 runnable Jupyter notebooks covering conversation buffers, vector stores, knowledge graphs, episodic and semantic memory, MemGPT, Mem0, Letta, Zep, Graphiti, LoCoMo benchmarks, and production patterns.项目地址https://gitcode.com/gh_mirrors/ag/Agent_Memory_Techniques点击查看免费下载相关推荐TencentDB Agent Memory 深入解析为 Agent 团队构建可复利、可治理的团队级记忆中枢TencentDB Agent Memory 深入解析为 Agent 团队构建可复利、可治理的团队级记忆中枢 TencentDB Agent Memory 是人工智能大模型AI AgentAgent 记忆后端前端MCP 服务CAMEL Memory 模块深度解析为 AI Agent 构建可持久化的长短期混合记忆CAMEL Memory 模块深度解析为 AI Agent 构建可持久化的长短期混合记忆 CAMEL 的 Memory 模块 docs/key_module人工智能大模型AI AgentAgent 框架多智能体工具调用MCP ClientsRAG模型评测数据生成Nuklear SFML 2.4 OpenGL 2 后端实战从 Makefile 配置到渲染管线解析Nuklear SFML 2.4 OpenGL 2 后端实战从 Makefile 配置到渲染管线解析 本文围绕 Nuklear 官方提供的 SFML OpUI组件嵌入式创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考