框架内建记忆横评

tRPC-Agent-Go 精读：精读: tRPC-Agent-Go Letta 精读：精读: Letta/MemGPT 记忆设计模式：记忆设计模式目录

调研元信息

一句话定位

Agent 框架处理记忆有三条产品线——独立记忆库（mem0、DB-Agent-Memory）、框架内建记忆（tRPC-Agent-Go、Letta、LangGraph）、产品内建记忆（Claude Code、Codex）——三者的架构权衡和适用场景截然不同 [已有]。

记忆类型标注

三条产品线对比

flowchart TB
    subgraph lib["独立记忆库"]
        M0["mem0<br/>SDK，接入任何框架"]
        DBAM["DB-Agent-Memory<br/>Host-Adapter 解耦"]
        GR["Graphiti<br/>时序图谱"]
    end

    subgraph framework["框架内建记忆"]
        TRPC["tRPC-Agent-Go<br/>Fact+Episode"]
        LETTA["Letta<br/>Core+Archival OS"]
        LG["LangGraph<br/>Store API"]
    end

    subgraph product["产品内建记忆"]
        CC["Claude Code<br/>memdir"]
        CX["Codex<br/>Phase1/2 pipeline"]
        OC["OpenClaw<br/>flush+dreaming"]
    end

    lib -->|"可嵌入框架"| framework
    lib -->|"可嵌入产品"| product
    framework -->|"框架耦合"| APP[应用]
    product -->|"产品锁定"| APP

tRPC-Agent-Go：Fact + Episode 双层

详见 精读: tRPC-Agent-Go

tRPC-Agent-Go 在 memory/ 目录下实现了经典的双层记忆 [已有]：

Episode Memory（episode.go）：保留原始对话历史——谁说了什么、什么时候说的。是 Agent 的”自传体记忆”，无加工、无提炼，用于回溯和调试。

Fact Memory（fact.go）：从对话中提炼的跨会话可复用知识——”用户偏好 Go 而非 Python”“这个服务的超时阈值是 3s”。是 Agent 的”语义记忆”，经过 LLM 加工。

与 DB-Agent-Memory 的对比：tRPC-Agent-Go 的 Fact/Episode 二分法可以映射到 DB-Agent-Memory 的金字塔——Episode ≈ L0（原始对话），Fact ≈ L1（原子事实）。但 DB-Agent-Memory 在 L1 之上还有 L2（场景块）和 L3（用户画像），提供了更高层次的抽象。

当前局限：StateGraph 缺少 Checkpoint 持久化的多后端支持——Memory 无法跨实例持久化，是明确的贡献机会 [已有]。

Letta/MemGPT：Agent 即记忆 OS

详见 精读: Letta/MemGPT

Letta 是所有方案中记忆系统最”重”的——它不是在框架上加记忆，而是围绕记忆设计整个框架 [已有]：

Core Memory（RAM）：有字符限制的 Block，直接存在 system prompt 中，Agent 通过 core_memory_append / core_memory_replace 工具主动管理。

Archival Memory（硬盘）：无限容量的归档，存在 PostgreSQL 中，Agent 通过 archival_memory_search / archival_memory_insert 工具主动查询。

Recall Memory：被动回忆——自动检索历史对话中的相关片段，补充 Archival 的主动搜索。

核心争议：Agent 自管理 vs 系统自动管理。Letta 让 Agent 自己决定”什么时候存”“存什么”“存到哪”——这需要强大的元认知能力。弱模型可能忘记保存重要信息，或者保存大量无用信息。DB-Agent-Memory 和 Claude Code 选择了系统自动管理，降低了对模型能力的依赖 [已有]。

LangGraph Store：外挂式持久记忆

LangGraph 通过 langgraph.store 提供了一个键值+向量的持久化 Store [文档]：

核心 API：put(namespace, key, value) / search(namespace, query) / get(namespace, key)

设计特点：

• namespace 隔离：按 (user_id, tool_name) 等维度组织，支持多租户
• 向量搜索：存储时自动嵌入 value，search 支持语义查询
• 与 Checkpoint 分离：Store 是跨 thread（session）的长期记忆，Checkpoint 是单 thread 内的状态快照

与其他方案的关系：LangGraph Store 是一个通用的持久化层，不强制任何记忆组织范式——你可以用它实现扁平事实（类似 mem0）、也可以实现分层（类似 DB-Agent-Memory），取决于应用层代码如何使用 namespace 和 value 结构。

框架内建 vs 独立记忆库 vs 产品内建

关键论点：三条产品线不是互斥的——独立记忆库可以通过 Adapter 嵌入框架（DB-Agent-Memory 的 Host-Adapter），也可以通过 MCP 被产品调用。理想的架构是”记忆库 + 框架适配 + 产品集成”的三层解耦。

局限性

1. LangGraph Store 分析基于文档：未深入源码验证 [文档]。
2. tRPC-Agent-Go 记忆分析基于已有精读：可能有遗漏 [已有]。
3. 框架迭代很快：LangGraph、Letta 等可能已更新记忆设计。

证据等级汇总