自托管 Agent 记忆三选一

📘 教程 2026-11-20 约 19 分钟阅读

搜到的 agent 记忆教程都假设安装命令一样,其中一半写的还是已经改名、或者已经换到别的包管理器的接口。

📜 目录

开源圈里被叫做"agent 记忆"的项目,主流就三个,它们对记忆是什么、存在哪、旁边还得跑什么,几乎没有共识。最快的选法是看安装产物本身。

mem0GraphitiLetta
安装pip install mem0aipip install graphiti-corenpm install -g @letta-ai/letta-code
2026-11-20 版本2.2.10.31.20.34.66
包体积0.35 MB wheel0.40 MB wheel解包后 33.6 MB,21 个依赖
直接依赖数8821
运行时要求Python >=3.10、<4.0Python >=3.10、<4Node ^22.23.4 / ^24.22.1 / ^26.12.1,或 Bun >=1.3.2
自己得跑什么存储向量库,核心依赖默认 Qdrant 客户端Neo4j 5.26、FalkorDB 1.1.2,或 Neptune + OpenSearch自带 agent 状态服务
GitHub star69241329443875(letta-code);旧 V1 仓库 25491
许可Apache-2.0Apache-2.0Apache-2.0

数字于 2026 年 11 月 20 日取自 PyPI JSON 接口、npm registry 和 GitHub 接口。真正决定你周末怎么过的是那一行"存储":一个 0.4 MB 但必须配图数据库的包,和一个 0.4 MB 只要向量索引的包,是两个项目。

mem0:把对话拆成事实,按相似度取回

mem0 把对话提取成事实存成向量,可选再镜像进图。包小是因为重活都是可选的:2.2.1 的八个核心依赖是 httpx、openai、posthog、protobuf、pydantic、pytz、qdrant-client、sqlalchemy。它优先接 Qdrant,官方镜像 82 MB。

docker run -d -p 6333:6333 -v qdrant:/qdrant/storage qdrant/qdrant:v1.15.0
pip install mem0ai==2.2.1
from mem0 import Memory

m = Memory()                      # 配置从环境变量或 MemoryConfig 读
m.add("I moved to Lisbon in March and I hate phone calls", user_id="alice")

hits = m.search("where does alice live",
                filters={"user_id": "alice"},
                top_k=5)

照着旧教程抄会被两个细节绊住。2.x 的 search() 用 filters={"user_id": ...},不是裸的 user_id 参数;默认 top_k=20,多数提示词根本用不了这么多上下文。add() 的签名里还有 infer: bool = True,这个默认值就是"写一条记忆"并不免费的原因。

infer=True 时,库会调一次模型判断这句话里哪些事实值得留、怎么覆盖已存的旧事实。2.2.1 的源码里,_add_to_vector_store 有一次 llm.generate_response 调用。传 infer=False 就是原样写入,便宜但没脑子;开着它,每记一条消息就多一次模型往返,向量化另算。

Graphiti:事实带时间

Graphiti 把记忆建模成时序知识图谱:实体、关系,以及每条边在哪段时间内成立。要回答"一季度我们用的是哪家供应商",就得是这个形状,向量索引表达不了。代价是必须有一个图数据库:README 写明的后端是 Neo4j 5.26、FalkorDB 1.1.2,或 Neptune 配 OpenSearch,核心包直接依赖 neo4j>=5.26.0。

docker run -p 6379:6379 -p 3000:3000 -it --rm falkordb/falkordb:latest   # 177 MB
pip install graphiti-core
from datetime import datetime, timezone
from graphiti_core import Graphiti

g = Graphiti("bolt://localhost:7687", "neo4j", "password")

await g.add_episode(
    name="vendor review",
    episode_body="We moved off vendor A in June because of the outage",
    source_description="ops meeting notes",
    reference_time=datetime(2026, 11, 18, tzinfo=timezone.utc),
)
results = await g.search("when did we leave vendor A", num_results=5)

reference_time 是必填参数,不是顺手带的。episode 按它排序,边按它失效,批量导入时时间戳填错,得到的时间线会自相矛盾。要填事情发生的时刻,不是导入的时刻。

Letta:安装命令换了包管理器

这条值得先知道。pip install letta 今天还能装到 0.34.12,而那个包是已退役的 V1 服务端。项目 README 现在指向 letta-ai/letta-code,旧仓库的代码留在 archive 分支。安装走 npm:

npm install -g @letta-ai/letta-code
letta          # 终端交互界面
letta server   # 本地或[[自托管](/post/ragflow-1-0-docker-self-host)](/post/ragflow-1-0-docker-self-host)的 app server

npm 包声明 Node ^22.23.4 || ^24.22.1 || ^26.12.1(或 Bun ≥1.3.2),解包 33.6 MB、21 个依赖,装的是一个终端界面加运行时,不是一个库。Letta 的模型跟另外两个不同:记忆块归 agent 自己管,它决定什么时候改,而不是由一个单独的提取步骤把事实写进索引。要的是 agent 自己管理上下文窗口,这就是功能;要的是对用户事实做检索,这就是开销。

怎么选

要做的事选理由
跨会话记住用户偏好mem0 + Qdrant到检索的最短路径,82 MB 镜像,事实存向量
回答"什么时候变了"Graphiti边自带有效期,向量索引表达不了
agent 自己改自己的上下文Letta记忆块就在 agent 循环里
一台机器,不想多跑服务mem0 配本地存储另外两个都得单独起数据库进程

按镜像体积算基础设施:Qdrant 82 MB、FalkorDB 177 MB、用 pgvector 时 PostgreSQL 17 是 167 MB。2 核的机器上,这些东西只要跟业务进程同时跑两个,小规格 VPS 就开始吃 swap。

没人标价的部分

三个方案的写入路径都要过模型。infer=True 时 mem0 每次 add() 一次提取调用;Graphiti 每个 episode 跑实体和关系抽取;Letta 的 agent 循环本身就在花 token 决定留什么。一个每条消息多一次模型调用的记忆层,会让聊天应用的模型开支翻倍,任何评测表都不会告诉你这件事。

决定之前先量:用真实消息跑 50 条 infer=True 的写入,看账单上这条路径花了多少 token,再乘你的消息量。拿这个数跟检索侧比,检索侧通常只是零头。

常见问题

mem0 一定要图数据库吗?不用。图是可选路径,默认走向量库,核心依赖假定的是 Qdrant。

Graphiti 能换成 FalkorDB 吗?能。README 把 FalkorDB 1.1.2 列为支持后端,有对应的 extras 和一行 Docker 命令。

PyPI 上的 letta 包还能用吗?那是留着复现的 V1 服务端。新项目按 README 走 npm 包。

哪个最快?这里不给数字。延迟取决于你的模型和存储,厂商评测图代替不了自己量。上面那些体积只能说明调用和答案之间隔着多少软件,跟毫秒无关。

版本、包体积、依赖数于 2026 年 11 月 20 日读取:PyPI JSON 接口(mem0ai 2.2.1、graphiti-core 0.31.2、letta 0.34.12)、npm registry(@letta-ai/letta-code 0.34.66)、GitHub 接口、Docker Hub 接口。函数签名读自主分支上的 mem0/memory/main.py 和 graphiti_core/graphiti.py。

相关:agent 记忆评测怎么比、这些存储背后的向量模型选择、mem0 上手记录。

相关文章

延伸阅读 · 含推广链接

跑通原型和长期挂着跑是两件事。按量计费起一台,用完释放,不用为闲置的机器付整月。

看按量计费价格 →

相关文章
2026-07-22
Mac Studio 2026 AI 版:苹果芯片
2026-08-14
代码生成 AI 图表 2026:自动文档化你的架构
2026-07-26
自托管AI硬件指南2026:跑本地大模型该买什么,显存、内存、带宽怎么算
2026-07-22
2026年Stable Diffusion新手入门教程
2026-07-26
AI结对编程与氛围编码:关键差异
2026-07-22
Udio AI音乐教程2026

本站文章由编辑人工撰写,收录的工具均经过实测或公开资料核验。文中链接指向工具官网或 GitHub 仓库,仅作信息参考,不构成付费推广。

💬 评论 (0)

暂无评论,来说两句吧~

登录后评论