Agent 记忆系统选型：Mem0 / Zep / LangGraph Memory 怎么挑

摘要：Agent 框架选型聊了很多轮，但真正决定长期体验的往往不是编排层，而是记忆层。本文把三个主流记忆方案——Mem0、Zep、LangGraph Memory——放到同一把尺子下对比：架构模型、检索机制、持久化、接入成本，最后按场景给出选型建议，并附一段可直接跑通的 Mem0 接入示例。关键词：AI Agent、记忆系统、Mem0、Zep、LangGraph。

为什么要单独谈「记忆」

很多团队的选型路径是：先定编排框架（LangGraph 还是 CrewAI），跑通 demo，上线，然后发现 Agent 每次对话都「失忆」——用户上周说过偏好，这周它完全不记得；三轮之前确认过的约束，第五轮又被推翻。

问题不在编排层，在记忆层。编排框架解决的是「这一轮怎么把工具和上下文组织起来」，记忆系统解决的是「跨会话、跨周、跨月的长期状态怎么存取」。两件事经常被混在一起谈，导致选型时记忆能力被当成编排框架的附属功能顺带决定——这是最常见的坑。

三者定位：先分清它们是不是同一层的东西

一句话概括：Mem0 是「给现有 Agent 补记忆」最快的路径；Zep 是「记忆即知识图谱」的重方案；LangGraph Memory 是「已在 LangGraph 生态内」的顺势选择。

各自的适用场景

Mem0：已有 Agent，想低成本补记忆

Mem0 的核心抽象是 add / search：你把对话喂给 add，它自动抽取值得记的事实（用户偏好、约束、事实性陈述），检索时 search 返回相关记忆条目。双层架构（抽取层 + 向量层）意味着它不是把原文全存——存的是结构化记忆，噪声更小。

适合：Agent 已经跑在任意框架上（甚至没有框架），只想加一层「记得住用户」的能力。接入通常半天内能完成。

Zep：多实体、关系密集、要求时效正确

Zep 底层的 Graphiti 时序知识图谱，最强的点是事实有时间维度：「客户 A 的套餐是基础版」这条事实在升级后会被标记失效而不是被覆盖成模糊的新描述。做 CRM 型 Agent、多轮长周期业务流程时，这个特性很值钱。

适合：记忆的正确性直接等于业务正确性的场景。代价是要维护一个图存储后端，运维成本高于 Mem0。

LangGraph Memory：已在 LangGraph 里，别急着引入外部方案

LangGraph 的 Checkpoint + Store 已经覆盖了「线程内状态恢复 + 跨线程共享键值」的大部分需求。如果你的项目本来就构建在 LangGraph 上，先评估内置能力够不够，再考虑外挂 Mem0/Zep——很多「记忆问题」其实是 Store 的命名空间设计没做好。

适合：LangGraph 原生项目、记忆需求以会话状态恢复为主。

一段能跑的 Mem0 示例

from mem0 import Memory

config = {
    "llm": {
        "provider": "openai_compatible",
        "config": {
            "model": "qwen-plus",
            "api_key": "sk-...",
            "openai_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
        },
    },
    "vector_store": {
        "provider": "qdrant",
        "config": {"host": "localhost", "port": 6333},
    },
}

m = Memory.from_config(config)

# 写入：自动抽取值得记的事实
m.add("用户偏好靠窗座位，对香菜过敏", user_id="liu")

# 检索：返回结构化记忆条目
hits = m.search("帮我订餐厅", user_id="liu")
for h in hits:
    print(h["memory"])

注意两个工程细节：

1. openai_base_url 指向任何 OpenAI 兼容端点都可以，国产模型接入无障碍；
2. user_id 的粒度决定记忆隔离边界——多租户场景必须在接入前想清楚。

选型决策树

• 记忆需求 = 会话恢复 + 少量跨会话共享？→ LangGraph Store 够用，别引外部件
• 需要自动抽取长期事实、接入越快越好？→ Mem0
• 事实时效正确性是硬要求（业务流程型 Agent）？→ Zep
• 多个都要？先跑 Mem0 验证价值，再评估是否值得为图谱上 Zep

写在最后

编排框架的对比我们已经聊了很多轮（LangGraph / AutoGen / CrewAI 各有定位），但真正上线后的体验差距，一半来自记忆层没选对。选型的原则其实和框架层一致：先明确要解决什么业务问题，再让方案对位，而不是拿着功能表逐项打分。

*本文是「Agent 选型」系列之一。相关阅读：主流 Agent 框架对比系列。*斜体样式