一句话总结：记忆框架三选一——Mem0 轻量灵活（提取结构化事实，比朴素 RAG 省 80-90% token）、Zep 时序图谱强（双时序，能答"2023 年在哪工作"即使换过工作）、LangMem 是 LangChain 生态原生；简单需求 PostgreSQL+pgvector 就够。

框架对比（LoCoMo 基准，面试默写）

框架	架构	LoCoMo	核心特点
Mem0	语义向量检索	~64%	轻量、接入极简、生态成熟
Zep	情节记忆时序图谱	78.94%	双时序感知，社区活跃
LangMem	工作记忆+长期存储	78.05%	LangChain 生态原生
TiMem	五层时序记忆树	75.30%	时序推理强，token 最省

Mem0 vs 朴素 RAG（拉分点）

• Mem0 存提取的结构化事实（"用户住柏林"）而非原文 chunk——检索更干净、省 80-90% token
• RAG 适合文档知识库；Mem0/Zep 适合用户/会话记忆——分工不同

Zep 双时序模型（深度分）

• Graphiti 时序图谱：边同时带事件时间与摄入时间
• 事实带 valid_from/valid_to 窗口，被取代标记 invalid 而非删除
• 效果：用户换工作后仍能答"2023 年在哪工作"——保留历史

记忆压缩与成本

• 层级摘要：per-source 会话级摘要 → 长期行为模式滚动摘要，-59% prompt token
• LLM 对长对话/文档摘要，只存高度压缩的记忆片段
• 用户画像记忆：结构化提取（职业/偏好/板块）→ 回复自动贴合风格（量化交易者直接给回测代码）

选型建议

场景	选
LangChain/LangGraph	LangMem
企业合规/时序	Zep
最快接入/灵活	Mem0
简单聊天	PostgreSQL + pgvector（够了）

面试要点

• 能报 LoCoMo 三框架分与特点
• 能讲 Mem0 提取事实 vs RAG 存 chunk（省 token）
• 能讲 Zep 双时序（valid_from/to + invalid 而非删除）
• 能选型并说"不是所有应用都需要专用记忆基建"

相关概念

• [AI-Agent-记忆分层与架构](/学习笔记/AI技术/AI Agent/AI-Agent-记忆分层与架构) — 架构基础
• [AI-Agent-记忆写入与检索策略](/学习笔记/AI技术/AI Agent/AI-Agent-记忆写入与检索策略) — 读写机制
• [AI-Agent-向量数据库运维与一致性](/学习笔记/AI技术/AI Agent/AI-Agent-向量数据库运维与一致性) — 载体运维
• [AI-Agent-RAG生产化与混合检索](/学习笔记/AI技术/AI Agent/AI-Agent-RAG生产化与混合检索) — RAG 分工