AI Agent 记忆赛道
数据核实：2026-06-23 · 风险项目见 选题策略
第一次来？ 直接进入 → 20 章系统性导读（57 万字，覆盖 7 个开源项目 + 3 个生产级系统）
7 个开源项目：TencentDB-Agent-Memory、mem0、Letta (MemGPT)、Graphiti、cognee、supermemory、MemOS
核心问题：如何让 AI Agent 拥有持久化的长期记忆？从扁平事实提取到知识图谱，从 KV Cache 注入到 LoRA 微调，不同记忆架构的演进路线。
阅读路线
竞赛路径（优先 DB-Agent-Memory）：导读 Ch01 → Ch08 DB-Agent-Memory → Ch15 Claude Code → Ch20 竞赛指南
深度学习路径：顺序通读 导读全 20 章
生产级 Agent 记忆路线（B 线扩展研究）：生产级全景 → Claude Code 记忆 → Codex 记忆 → 对比
扩展研究：生产级 Coding Agent 记忆系统
开源记忆库之外，生产级 Coding Agent（Claude Code、Codex）已经在真实产品中实现了完整的记忆系统。
总览：生产级 Agent 记忆全景 — 六轴研究串联、四条演进路线
A 轴 — 生产级 Agent 精读：
| 文档 | 内容 |
|---|---|
| Claude Code 记忆 | memdir 模块：读写路径、extractMemories、autoDream |
| Codex 记忆 | 两阶段异步管线：并行提取 + 全局整合 |
B-F 轴（侧边栏隐藏，通过全景页导航）：OpenClaw Memory Flush、MCP 桥接层、Profile 与 User Memory 边界、MCP 拓扑、框架内建记忆、设计模式、Memory vs RAG 边界、横评矩阵等 12 篇。
跨赛道关联：
- Agent 框架赛道有 Claude Code 和 Codex 的完整架构分析 → 跨赛道专题
- RAG 赛道的 Memory 与 RAG 边界 辨析两者异同
竞赛速查（Ch20 摘要）
完整竞赛指南 → guide Ch20
目标项目：DB-Agent-Memory（腾讯 Agent 记忆系统，Python，约 90 文件，零外部依赖）
第一周 checklist：
- Day 1-2：读 Ch08 理解四层金字塔、Host-Adapter、MMD 注入 →
pip install && pytest搭建开发环境 - Day 3-4：通读全部约 90 文件代码 → 标注各模块边界
- Day 5-7：选定贡献方向（金字塔层优化 / 跨系统一致性 / MCP Adapter 增强 / Dreaming 整合机制）→ 开 Issue 沟通方案
环境矩阵：
| 环境 | 能做什么 | 不能做什么 |
|---|---|---|
| 任意 OS + Python + pip | 全功能——代码开发、pytest 测试、MCP Adapter 开发 | 无明显限制（零外部依赖） |
| 无 LLM API Key | 代码阅读、单元测试（mock LLM）、架构分析 | 端到端记忆提取/整合测试 |
已知风险：没沟通就写代码（两周被拒）；一个 PR 做太多事；忽略零依赖设计哲学（如引入 Neo4j）；测试只有 happy path（LLM 输出不确定需 mock 或语义评估）；过度设计。项目已知短板 = 贡献机会：检索弱（无向量搜索）、无时序、无遗忘（只增不减）。
读完竞赛路径后你应能…
- DB-Agent-Memory 的记忆存储架构与 mem0 / Letta 的核心区别是什么？它如何利用 TencentDB 的能力？
- Claude Code 和 Codex 的记忆系统设计哲学有什么本质差异？各自的 trade-off 是什么？
- 给你一个 DB-Agent-Memory 的 issue，你能判断它属于记忆提取、存储还是检索层的问题吗？