GitHub 项目：记忆工程生态导读
边学边练请访问 7 天学会 Memory Engineering：首页记忆分层可视化、/learn 七天课表、/lab 五个本地沙盒、社区与资源矩阵。
不要「收藏式 star」。每接触一个仓库，至少跑通 Quickstart，并写三句话：它解决什么、不解决什么、如何嵌入你的写/读路径。本文不引用星标数（波动快且易误导）。
如何用开源学记忆工程
按能力层选仓库，而不是按热度：
- Agent 记忆运行时（分页、core/archival）
- 记忆中间件（自动抽取偏好、会话记忆 API）
- 编排与检查点（图状态、thread）
- 索引与检索（向量、混合、重排）
- 图存储与多跳
- 研究原型（HippoRAG 等思想）
1. Letta（原 MemGPT 路线）
是什么
把 LLM 上下文当作稀缺「主存」，外部消息与档案当作「磁盘」，由 Agent 通过工具决定换入换出、自我编辑核心记忆。Letta 是该思想的工程化延续。
为什么重要
它直接回答 Day1/Day2 的痛点：窗口有限时如何持续对话而不靠你手工截断。分页、中断、core memory 与 archival memory 的分离，是记忆工程的操作系统隐喻教科书。
怎样发展
MemGPT 论文提出 OS 隐喻与分页调度 → 社区实现与托管演进 → Letta 强调 Agent 运行时与记忆管理一体化。学习时抓住「谁决定换页」：是框架策略还是模型发工具调用。
何时用 / 何时不用
| 适合 | 不适合 |
|---|---|
| 需要长期人格/档案的个人 Agent | 只要简单 FAQ 检索 |
| 想研究 self-managed context | 强合规、写路径必须确定性规则引擎 |
| 教学演示 Working vs LTM | 已有严格 BPM 工作流且禁止模型自改记忆 |
学习任务
- 跑官方快速开始，观察 core 与 archival 的读写工具。
- 故意塞超长历史，记录何时触发外存检索。
- 对比：关闭自我编辑，仅允许规则写入，行为差在哪里。
- 画一张与你自研
pack()的对照表（谁做预算、谁做换页）。
2. Mem0
是什么
面向应用的记忆层：从对话中抽取可持久事实/偏好，提供添加、搜索、更新、删除等 API，常挂在现有 ChatBot / Agent 外。
为什么 / 何时用
当你已有编排（自研或 LangGraph），缺的是「自动沉淀用户记忆」而不是再造运行时。适合产品快速加个性化。
| 适合 | 边界 |
|---|---|
| SaaS 助手要跨会话偏好 | 深度分页调度仍需自管 Working |
| 多项目复用同一记忆后端 | 复杂图谱推理需另接 KG |
| 托管与自托管选项评估 | 抽取质量依赖模型，需评测集 |
学习任务
用同一组对话：「我叫…」「我过敏…」「以后用表格回复」→ 检查写入条数、是否去重、错误事实如何 update/delete。把结果记入你的记忆评测表。
3. Zep
是什么
会话与长期记忆服务方向：强调对话历史管理、摘要、检索，以及面向 Agent 的记忆基础设施（具体模块以官方文档为准）。
为什么 / 何时用
适合「会话 STM + 自动摘要 + 可检索 LTM」一体化，减少自建滑动窗口与巩固任务的样板代码。
学习任务
- 建两条 thread，验证隔离。
- 长对话后查看摘要是否可追溯到原文证据。
- 测延迟：写入后多久可被下一轮检索到（对在线产品关键）。
4. LangGraph Checkpointer
是什么
LangGraph 把 Agent 做成状态图；Checkpointer 把图状态（含消息列表）按 thread_id 持久化，支持恢复、人机协同中断。
为什么重要
它解决的是 STM / 工 作流状态，不是完整 LTM 平台。很多团队误以为「有了 checkpointer 就有记忆工程」——其实你仍需向量/KG/门禁。
| 它解决 | 你仍需自建 |
|---|---|
| 线程级消息与状态恢复 | 跨线程用户画像 |
| 时间旅行调试 | 混合检索与重排 |
| 与节点编排一体 | 多租户命名空间策略 |
学习任务
最小图：chatbot 节点 + MemorySaver / SqliteSaver → 重启进程续聊 → 再外挂一个 search_memory 工具读向量库，体会「状态」与「记忆」分层。
5. LlamaIndex
是什么
索引与检索抽象层：Document → Node → Index → Retriever → Query Engine；亦有记忆、Agent 相关模块。强项是把异构数据变成可查询索引并与 LLM 合成答案。
何时用
文档型知识 + 对话记忆混合时，用同一套 retriever 接口做实验；快速对比分块与重排策略。
学习任务
同一语料，对比 sentence / window / semantic splitter 的 Recall；把「用户偏好」设为单独 Index，避免与手册混检。
6. 向量库：Chroma / Milvus / Qdrant
三者都解决稠密向量存取与 ANN 检索，差异在部署体量与生态。
| 项目 | 典型定位 | 学习焦点 |
|---|---|---|
| Chroma | 本地/原型友好 | 元数据过滤、集合隔离、快速验证门禁 |
| Qdrant | 过滤与混合检索体验佳 | payload 过滤、量化、快照备份 |
| Milvus | 大规模与云原生叙事强 | 集合/分区、索引类型、资源隔离 |
共同学习任务（强烈建议同一脚本适配三后端之一即可）：
- 写入 100 条带
user_id的记忆，查询时强制过滤，证明无法串租户。 - 调 HNSW
M/ef，记录 Recall@10 与延迟。 - 实现删除后查询为空，理解软删与索引清理。
- （进阶）BM25 + 向量 RRF，对比仅向量。
不要：无过滤的全局集合；无版本的 embedding 模型名；无 TTL 的无限增长。
7. Neo4j（与记忆图谱）
是什么
属性图数据库 + Cypher。在记忆工程中承担关系与多跳，不是向量替代品。
何时用
用户–兴趣–项目–约束等需要路径推理；时态边；一致性检查。与向量配合：向量召回实体候选 → Cypher 扩展邻居。
学习任务
见 开发指南 的 LIKES 多跳；再加一条矛盾边，写查询找出冲突对。阅读官方约束与索引文档，给 User.id 建唯一约束。
8. HippoRAG（论文与思想）
是什么
受海马体索引启发的检索增强思路：将段落知识组织成更利于多跳的图索引结构，使检索更接近「情景线索 → 语义整合」。以论文与官方实现为准。
为什么值得读
它提醒工程团队：扁平向量块不是唯一索引形态；对需要组合多条事实的问题，图结构索引可能更稳。
学习任务
- 读论文问题设定与基线对比表，记下任务类型。
- 在自有小数据集上复现「开放问题需要两跳」案例。
- 思考如何把思想降级到生产：不必全量复现，可先「实体共现图 + 向量」混合。
边界：研究原型 ≠ 开箱多租户记忆 SaaS；上线仍要门禁、评测、运维。
9. 相关周边（简表）
| 方向 | 代表 | 在回路中的角色 |
|---|---|---|
| 重排 | bge-reranker、Cohere Rerank 等 | 读路径精排 |
| 稀疏 | BM25 实现、ES/OpenSearch | 专有名词召回 |
| 编排 | Autogen / Crew 类 | 多 Agent 消息；记忆隔离需自查 |
| 观测 | OpenTelemetry、Langfuse 等 | 记录检索命中与延迟 |
10. 对照实验仓库建议
memory-bench/
scenarios/ # yaml：用户故事与期望记忆
adapters/
letta_runner.py
mem0_runner.py
langgraph_runner.py
metrics/
recall_at_k.py
faithfulness.py
reports/ # 每次跑的假设与结论
固定：模型版本、embedding、场景种子。每次只换一个适配器或一个参数。
11. 选型决策清单
- 是否需要模型自主换页？→ Letta 方向。
- 是否只要偏好/事实 API？→ Mem0 / Zep 方向。
- 是否已有图编排？→ Checkpointer + 自建 LTM。
- 是否多跳关系？→ Neo4j + 向量。
- 是否千万级向量？→ Milvus/Qdrant 等，Chroma 留作开发。
- 是否有评测集？无则禁止生产切换后端。
12. 一周迷你课程（对着仓库做）
| 天 | 仓库重心 | 作业产出 |
|---|---|---|
| 1 | Letta 快速开始 | core vs archival 对照笔记 |
| 2 | LangGraph Checkpointer | 重启续聊录屏 + 说明其非 LTM |
| 3 | Chroma 或 Qdrant | 带 user 过滤的 100 条检索脚本 |
| 4 | Neo4j | LIKES 多跳 + 一条冲突查询 |
| 5 | Mem0 或 Zep | 同一对话脚本的写入条数对比表 |
| 6 | 重排模型 | Top50→Top8 前后人工打分 |
| 7 | HippoRAG 论文 | 一页「可降级到生产的三点」 |
完成后你应能独立回答：「我的产品卡在运行时分页、记忆 API，还是索引层？」——这比收藏 20 个仓库更有用。
13. 阅读 README 的固定问题单
打开任意记忆相关仓库，强制回答：
- 写路径是否暴露 importance / 去重 / 删除？
- 检索是否强制租户或 user 作用域？
- 会 话状态与长期记忆是否分层？
- 有无评测或基准目录？
- 换 embedding 是否文档化重建步骤？
- License 与数据回传策略是否可接受？
答不出第 2、3 题，不要用于多租户生产。
14. 下一步
- 代码流水线：开发指南
- 多 Agent 与 L1–L4：最佳实践
- 疑难：FAQ
- 子站资源矩阵：https://memory.chenxiaoshivivid.top/resources