开源 Agent 项目记忆设计决策对比
引言
在 AI Agent 系统中，"记忆"是决定 Agent 能否从经验中学习、跨会话保持上下文、以及随时间变聪明的核心能力。本文档对比分析了七个主流开源 Agent 项目的记忆架构设计决策：LangGraph、CrewAI、Dify、Hermes Agent、OpenClaw、OpenHands 和 DeerFlow，梳理它们各自的技术选型、架构思路与取舍。
一、LangGraph：检查点驱动的状态持久化
设计哲学
LangGraph 的记忆设计围绕"状态即记忆"的理念展开。它将 Agent 的每一步执行状态（State）自动快照保存，通过 Checkpoint 机制实现会话的断点续跑、时间旅行和人机协同。
记忆架构：双存储体系
LangGraph 将记忆存储划分为两套独立体系：
| 存储层 | 核心角色 | 核心用途 | 数据隔离维度 | 写入时机 | 生命周期 |
|---|---|---|---|---|---|
| Checkpointer（检查点） | 会话短期记忆 | 保存 Graph 运行 state、消息历史、节点执行断点，支持中断后恢复执行 | 以 thread_id 为核心隔离，不同会话数据完全隔离 | 自动写入：graph.invoke() 执行过程自动保存 | 跟随会话 thread，可配置过期清理 |
| Store（通用外部存储） | 跨线程长期记忆 | 存储用户画像、用户偏好、事实记忆、业务知识库，多个会话可共享读取 | 以 namespace + key 隔离，同一用户下全部 thread 可共享记忆 | 手动操作：业务代码主动调用 put/get/search/delete | 用户级长期记忆，独立于会话 |
存储后端选型
| 后端 | 适用场景 | 特点 |
|---|---|---|
| InMemorySaver | 开发调试 | 内存存储，进程重启丢失 |
| SqliteSaver | 单机部署 | 文件持久化，轻量级 |
| PostgresSaver | 生产环境 | 支持多实例并发与高可用 |
| RedisSaver | 高并发场景 | 低延迟 |
设计取舍
- 优势：状态快照天然支持"时间旅行"调试；Checkpointer 与 Store 职责分离清晰，短期会话状态与长期用户记忆不混淆。
- 局限：Checkpointer 本质是"全量快照"，高频执行场景下存储开销较大；Store 需要业务代码手动管理，没有自动的记忆提取与压缩机制。
二、CrewAI：三层记忆系统
设计哲学
CrewAI 的记忆设计面向"多 Agent 协作"场景，强调让 Agent 从历史经验中学习，并维护对实体（人物、组织、概念）的一致认知。
三层记忆架构
| 记忆层 | 技术实现 | 作用 | 更新频率 |
|---|---|---|---|
| 短期记忆（Short-term Memory） | 基于 RAG 的向量检索 | 存储当前 Crew 执行过程中的最近 N 条交互记录，使 Agent 能在当前任务上下文中回忆相关信息 | 每次任务执行 |
| 长期记忆（Long-term Memory） | 向量数据库 + SQLite | 保留从过去执行中获得的见解和学习，将"成功路径"提取出来写入本地，下次遇到同类问题直接复用经验 | 跨 Crew 执行持久化 |
| 实体记忆（Entity Memory） | 向量数据库 + 知识图谱 | 捕获并维护关于核心实体（人物、地点、概念）的关键信息，构建实体关系图谱，保证多轮协作中所有 Agent 对同一概念的认知对齐 | 任务执行中持续抽取 |
上下文记忆（Context Memory）
CrewAI 还提供了一个 Context Memory 概念，将短期记忆、长期记忆、外部记忆和实体记忆统一组装后注入 Agent 的上下文窗口，实现"全维度记忆检索"。
设计取舍
- 优势：三层记忆覆盖从瞬态到持久的完整记忆光谱；实体记忆支持知识图谱构建，适合复杂协作场景。
- 局限：每个 Agent 都是独立的 LLM 调用，记忆检索增加 Token 消耗；串行模式下总延迟叠加明显。
三、Dify：RAG 驱动的知识库记忆
设计哲学
Dify 的记忆设计本质上是"企业级 RAG 系统"------将知识库作为 Agent 的长期记忆源，通过文档摄取、文本分割、向量化、检索增强生成的完整管线，让 Agent 拥有"外接大脑"。
记忆架构
Dify 的记忆能力主要通过其 RAG 知识系统实现：
文档加载 → 文本提取 → 文档分割 → 向量化(Embedding) → 存储(Indexing) → 检索(Retrieval) → 重排(Reranking) → 上下文注入关键技术选型
| 组件 | 选型 | 说明 |
|---|---|---|
| 向量数据库 | Weaviate / Qdrant / Pinecone（可选） | 存储语义化向量及轻量化关联信息 |
| 元数据库 | PostgreSQL | 存储结构化业务元数据 |
| Embedding | Sentence-Transformers | 文本向量化 |
| 重排 | Cross-Encoder | 检索结果重排序 |
检索优化策略
- 混合检索：结合向量检索（语义）和全文检索（关键词），取长补短
- 父子分段：解决"召回粒度"与"上下文完整性"的矛盾
- 上下文压缩/重排：在送入 LLM 前对检索结果进行筛选和排序，节省 Token 并提升质量
- 动态 RAG：根据查询复杂度动态调整检索块大小（128~2048 tokens），多路召回策略加权排序
设计取舍
- 优势：企业级 RAG 管线成熟，支持多种向量数据库后端可替换；低代码界面降低使用门槛；混合检索策略成熟。
- 局限：记忆能力主要依赖外部知识库文档，缺乏 Agent 自主学习和经验沉淀机制；对话上下文管理相对简单，不像 LangGraph 那样有完整的状态持久化体系。
四、Hermes Agent：自进化的三层记忆架构
设计哲学
Hermes Agent 的核心定位是"自我进化的 AI Agent 框架"，遵循"Agent 优先、进化第一"的理念。它的记忆设计目标是让 Agent"越用越聪明"------技能不是人写的，是 Agent 从经验中长出来的；记忆不是手动维护的，是 Agent 自己管理的。
三层记忆架构
| 记忆层 | 实现方式 | 特点 | 容量限制 |
|---|---|---|---|
| 第一层：内置记忆 | MEMORY.md + USER.md（Markdown 文件） | Agent 个人笔记与用户画像，会话开始时自动注入 System Prompt | MEMORY.md 上限 2200 字符，USER.md 上限 1375 字符 |
| 第二层：外部记忆提供者 | 可插拔 Provider 接口（Honcho / Holographic / Mem0） | 支持大规模语义搜索、知识图谱及结构化查询，遵循单 Provider 激活原则 | 取决于外部后端 |
| 第三层：会话搜索 | SQLite + FTS5 全文索引 | 精确检索历史会话中的工具调用与对话内容，结合 LLM 摘要技术提取关键信息 | 取决于 SQLite 数据库大小 |
自进化闭环：GEPA 引擎
Hermes 独有的"遗传-帕累托提示进化"（GEPA）引擎，实现"执行→评估→优化→学习"的自动迭代：
- 反思性变异：基于 LLM 反思生成提示词的变异版本
- 帕累托前沿选择：在多目标（准确率、效率、稳定性）中选择最优解
- 自然语言反馈作为变异信号：用户反馈直接驱动提示词进化
技能自进化系统
- 自主创建：完成涉及 5 次以上工具调用的复杂任务、错误恢复或用户纠正时，自动生成可复用技能文件（SKILL.md）
- 持续改进：记录技能调用反馈，通过 skill_manage 工具进行增量式补丁更新，支持版本控制与回滚
- 技能组合：规划器理解技能依赖关系，将原子操作编排为复合技能工作流
- 周期性自省（Periodic Nudge）：默认每 10 个 turn 自动触发，评估信息保存价值、新技能创建需求及现有技能优化点
用户建模
集成 Honcho 框架实现深层用户建模，包含 12 个身份维度，通过辩证推理追踪用户任务偏好、决策习惯与工作模式变化。
设计取舍
- 优势：记忆完全由 Agent 自主管理，无需人工维护；技能自进化系统独特，真正实现"越用越聪明"；字符数限制而非 Token 限制更直观。
- 局限：GEPA 进化引擎计算开销大；Markdown 文件作为记忆源在大规模数据下检索效率有限；外部记忆 Provider 生态尚不成熟。
五、OpenClaw：本地优先的混合存储
设计哲学
OpenClaw 采用"本地优先（Local-First）"的设计哲学，一切记忆以纯 Markdown 文件为单一源真理（Source of Truth），模型仅读取磁盘上显式写入的内容。核心架构为中心辐射式分层：Gateway 网关 → Agent 运行时 → Channel 渠道适配层 → Skills 技能与工具层 → Memory 记忆与状态管理层。
记忆架构：混合存储
| 存储层 | 技术实现 | 存储内容 | 特点 |
|---|---|---|---|
| Markdown 文件 | SOUL.md / AGENTS.md 等 | 长期记忆与配置 | 纯文本可读、可版本控制、人类可编辑 |
| 向量数据库 | ChromaDB / LanceDB | 语义检索 | 本地嵌入，隐私友好 |
| SQLite | 本地数据库 | 会话日志与结构化数据 | 轻量、零配置 |
会话生命周期
OpenClaw 的会话设计仿照操作系统进程模型：
- 会话隔离 ：每个会话有唯一 Session ID（格式：
agent:<agentId>:<type>或group:discord:...） - 上下文重置 ：
/new或/reset命令触发短期内存清零，重新加载 workspace 根目录核心文件 - 持久化 ：所有对话以 append-only JSONL 形式落盘于
~/.openclaw/agents/<agentId>/sessions/ - Gateway 路由：Gateway 负责 Session Resolution 与消息路由，是系统的唯一调度中枢
模型编排与故障转移
- 支持 Anthropic、OpenAI、Gemini、Ollama 等多模型接入
- Auth Profile 轮换（按 lastUsed 排序、冷却跳过）
- 故障转移（Fallback 链）机制
设计取舍
- 优势：Markdown 文件作为记忆源完全透明、可版本控制、人类可读可编辑；本地优先设计隐私保护好；插件化扩展能力强。
- 局限：纯文本记忆在大规模数据下检索能力弱于向量数据库；缺少自动化的记忆提取与压缩机制；依赖外部向量数据库提供语义检索能力。
六、OpenHands：事件驱动的记忆管理
设计哲学
OpenHands 是一个自主编程 Agent 框架，其记忆设计围绕"事件驱动"和"沙盒化执行"展开。V1 版本引入了四项核心设计原则：沙盒化可选、默认无状态（单一真值来源）、严格的相关项分离、可组合且可安全扩展。
记忆架构
OpenHands 的记忆由 Memory 类管理，包含以下组件：
| 记忆组件 | 内容 | 作用 |
|---|---|---|
| repository_info | 代码仓库名称和路径 | Agent 服务的代码仓库上下文 |
| runtime_info | 可用主机、额外 Agent 指令 | 运行时环境信息 |
| repo_microagents | 代码仓库级微代理指令 | 仓库特定的 Agent 行为规范 |
| knowledge_microagents | 通用知识微代理 | 跨仓库的通用知识指令 |
事件流架构
OpenHands 采用基于 EventStream 的发布-订阅机制：
用户消息 → EventStream → AgentController → Runtime → 工具执行 → ObservationEvent → EventStream → 客户端事件类型分层：
| 事件层 | 事件类型 | 说明 |
|---|---|---|
| 对话与推理输入层 | MessageEvent、SystemPromptEvent、CondensationSummaryEvent | 直接参与 LLM 上下文 |
| 工具调用层 | ActionEvent | Agent 发起的动作 |
| 工具反馈层 | ObservationEvent、UserRejectObservation、AgentErrorEvent | 环境返回的结果 |
| 会话控制与记忆管理层 | ConversationStateUpdateEvent、PauseEvent、CondensationRequest、Condensation | 不一定直接是对话内容 |
Condensation（上下文压缩）
OpenHands 内置上下文压缩机制，当对话历史过长时自动摘要压缩，保留关键信息同时控制上下文窗口大小。
设计取舍
- 优势：事件驱动架构模块解耦清晰、易于拓展和可观测；沙盒化执行保证安全；V1 的"单一真值来源"设计实现确定性重放和强一致性。
- 局限：记忆能力主要面向编程场景，缺乏面向通用对话的长期记忆和语义检索能力；microagent 机制偏向指令配置而非自主记忆学习。
七、DeerFlow：三级记忆架构与置信度机制
设计哲学
DeerFlow 定位为"Super Agent Harness"，其记忆系统设计目标是支撑 Super Agent 完成长周期复杂任务，定位为"认知基础设施"而非独立存储层。记忆系统与上下文工程深度耦合，嵌入 14 层中间件管道。
三级记忆架构
| 层级 | 类型 | 更新频率 | 生命周期 | 核心作用 |
|---|---|---|---|---|
| User Context（用户上下文） | 短期/活跃记忆 | 每次对话 | 小时/天 | 实时反映当下状态，支撑即时响应 |
| History（历史分层） | 中期/长期记忆 | 按月/季度 | 月/年 | 沉淀过往行为轨迹，提炼行为规律 |
| Facts（事实列表） | 结构化长期记忆 | 低频 | 永久/半永久 | 固化离散知识点，供快速检索调用 |
记忆流转机制
DeerFlow 设计了一个精妙的记忆流转管道：
user层的旧快照不会凭空消失，而是作为"历史行为轨迹"的一部分进入history层，形成从短期到长期的平滑过渡- 旧状态自动沉淀到 History 的
recentMonths字段 - 提炼为行为规律进入
longTermBackground - 离散知识固化进入 Facts 列表
每条记忆分配 0.0~1.0 置信度评分，低置信度的 fact 在注入时会被后置或过滤。
异步更新管道
MemoryMiddleware（事件入口）→ 消息预处理层（清洗+信号检测）→ MemoryUpdateQueue（防抖队列）→ MemoryUpdater（LLM结构化生成）→ storage.py（持久化存储）→ Prompt注入层（Token预算感知）关键设计：
- 防抖异步更新：不阻塞主流程，批量聚合后统一更新
- 置信度机制：LLM 提取记忆时附带置信度评分，支持按阈值过滤低质量记忆
- Token 预算感知注入：按置信度排序 facts，优先保留高置信度、高相关性的内容；在 Token 预算内为 LLM 提供最有价值的记忆信息
多级记忆隔离
- 支持全局用户记忆（跨 Agent 共享）与专属 Agent 记忆（独立空间）两级隔离
- 主 Agent 与子 Agent 上下文完全独立，防止信息污染
上下文压缩策略
采用两阶段压缩管道：先对工具返回内容进行截断压缩，再按"保留前缀+最新消息"策略丢弃中间旧消息，确保长时任务信息连续性。
设计取舍
- 优势：三级记忆分类清晰，覆盖从瞬态到持久的完整光谱；置信度机制保证记忆质量；异步更新不阻塞主流程；多级隔离防止信息污染。
- 局限：记忆更新依赖 LLM 提取，Token 消耗较大；结构化 JSON 存储在跨平台共享场景下不如 Markdown 文件灵活。
八、横向对比总结
记忆存储方案对比
| 项目 | 主要存储方式 | 是否支持语义检索 | 是否支持跨会话 | 自动化程度 |
|---|---|---|---|---|
| LangGraph | Checkpointer + Store（PostgreSQL/SQLite/Redis） | Store 层支持 | 是（Store 层） | 中等（需手动管理 Store） |
| CrewAI | 向量数据库 + SQLite | 是 | 是 | 高（内置三层记忆自动管理） |
| Dify | 向量数据库（Weaviate/Qdrant）+ PostgreSQL | 是（混合检索） | 是（知识库） | 高（RAG 管线全自动） |
| Hermes Agent | Markdown 文件 + SQLite FTS5 + 外部 Provider | 是（FTS5 + 外部 Provider） | 是 | 极高（Agent 自主管理 + 自进化） |
| OpenClaw | Markdown 文件 + ChromaDB/LanceDB + SQLite | 是（向量数据库） | 是 | 中等（文件手动管理 + 向量检索） |
| OpenHands | 事件流 + Memory 类 + microagents | 有限 | 有限 | 中等（上下文压缩自动化） |
| DeerFlow | 结构化 JSON（memory.json） | 是（按 Agent 检索） | 是 | 高（异步 LLM 提取 + 置信度过滤） |
设计哲学对比
| 项目 | 核心定位 | 记忆设计关键词 |
|---|---|---|
| LangGraph | 底层编排引擎 | 状态快照、检查点、双存储分离 |
| CrewAI | 多 Agent 角色协作 | 三层记忆、实体图谱、经验复用 |
| Dify | 低代码 AI 应用平台 | RAG 管线、知识库、混合检索 |
| Hermes Agent | 自进化个人 Agent | 自主管理、技能进化、字符限制 |
| OpenClaw | 本地优先 Agent 网关 | Markdown 源真理、本地优先、插件化 |
| OpenHands | 自主编程 Agent | 事件驱动、沙盒化、单一真值来源 |
| DeerFlow | Super Agent 运行时 | 三级记忆、置信度、异步管道 |
选型建议
| 场景 | 推荐项目 | 理由 |
|---|---|---|
| 需要精细的状态控制和调试能力 | LangGraph | Checkpoint 机制支持时间旅行和断点恢复 |
| 多 Agent 协作且需要经验积累 | CrewAI | 三层记忆 + 实体记忆覆盖协作场景 |
| 企业知识库问答 / RAG 应用 | Dify | 成熟的 RAG 管线 + 低代码界面 |
| 个人长期助手，追求"越用越聪明" | Hermes Agent | 自进化闭环 + 技能自生成 + 跨会话记忆 |
| 本地部署、隐私优先的个人 Agent | OpenClaw | Markdown 源真理 + 本地向量检索 + 多渠道接入 |
| 编程自动化 / 代码仓库 Agent | OpenHands | 事件驱动 + 沙盒执行 + 仓库级记忆 |
| 复杂长任务编排 + 企业级 Agent 运行时 | DeerFlow | 三级记忆 + 置信度机制 + 多级隔离 |
结语
这七个项目在记忆设计上展现了截然不同的设计哲学：
- LangGraph 选择"状态即记忆"，用检查点机制保证可控性和可调试性；
- CrewAI 选择"三层记忆分层"，用 RAG + 向量数据库实现经验复用；
- Dify 选择"知识库即记忆"，用成熟的 RAG 管线解决企业知识管理；
- Hermes Agent 选择"Agent 自主管理记忆"，用自进化闭环实现真正的持续学习；
- OpenClaw 选择"Markdown 即真理"，用纯文本文件保证透明性和可编辑性；
- OpenHands 选择"事件即记忆"，用事件流和单一真值来源保证一致性；
- DeerFlow 选择"结构化记忆 + 置信度过滤"，用异步管道保证生产级稳定性。
如果你的目标是搭建一个个人 Agent 系统，可以参考这些项目的优秀设计，取长补短：用 LangGraph 的状态管理做编排底座，用 CrewAI 的三层记忆思路组织经验，用 Hermes 的自进化理念设计技能沉淀闭环，用 OpenClaw 的本地优先理念保证隐私可控，用 DeerFlow 的置信度机制保证记忆质量。