自托管 Agent 记忆三选一
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。
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。
| mem0 | Graphiti | Letta | |
|---|---|---|---|
| 安装 | pip install mem0ai | pip install graphiti-core | npm install -g @letta-ai/letta-code |
| 2026-11-20 版本 | 2.2.1 | 0.31.2 | 0.34.66 |
| 包体积 | 0.35 MB wheel | 0.40 MB wheel | 解包后 33.6 MB,21 个依赖 |
| 直接依赖数 | 8 | 8 | 21 |
| 运行时要求 | Python >=3.10、<4.0 | Python >=3.10、<4 | Node ^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 star | 69241 | 32944 | 3875(letta-code);旧 V1 仓库 25491 |
| 许可 | Apache-2.0 | Apache-2.0 | Apache-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
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。