Claude Code Agent Memory Systems — L0~L3 四层记忆方案¶

Ch06.041 Claude Code Agent Memory Systems — L0~L3 四层记忆方案¶

📊 Level ⭐⭐ | 4.1KB | entities/claude-code-agent-memory-four-levels-analysis.md

Claude Code Agent Memory Systems — L0~L3 四层记忆方案¶

文章 "从 Claude Code 记忆系统看四层 Agent 记忆方案" (2026-07-07) 的实体整理。以 Claude Code 记忆体系为起点，系统拆解 Agent 记忆的 4 层演化方案。

核心演化逻辑¶

四层方案不是并列选项——它们是演化关系，每一层解决上一层解决不了的新问题：

L0 RAG          → "帮 Agent 找到相关的外部知识"
     ↓ 但 Agent 还需要记住对话过程本身
L1 Summary      → "把长对话压缩成摘要，节省上下文"
     ↓ 但压缩会丢细节，特别是限定词
L2 Reflection   → "不存原文，存对原文的判断"
     ↓ 但谁来管理记忆？外部系统总有判断盲区
L3 Cognitive    → "Agent 自己管自己的记忆"

核心变量只有一个：谁来管理记忆？ L0: 检索算法 → L1: LLM（只做概括）→ L2: 外部记忆系统（LLM 提取 + 多通路检索）→ L3: Agent 自己（tool calling 主动读写）。

各层详解¶

L0 RAG — 外部知识检索¶

• 只能检索"外部知识"（文档、代码、FAQ），无法处理对话状态和自我认知
• 语义相似 ≠ 因果相关 — 可能检索到无关内容
• Agent 记忆需要三种类型：外部知识 / 对话状态 / 自我认知，RAG 只能处理第一种

L1 Summary — 对话压缩（LangGraph）¶

• LangGraph 双层架构：MemorySaver (short-term) + InMemoryStore/PostgresStore (long-term)
• 核心缺陷：信息衰减不可逆 — CogCanvas 论文 (2026) 量化：exact-match recall 从 93.0% 暴跌到 19.0%（~74pp loss）
• 限定词丢失（"everywhere" → 风格偏好），且递归压缩会放大失真

L2 Reflection — 判断型记忆（Mem0）¶

• 核心洞察：不必记住每句话，只需记住"这次对话改变了我对什么的判断"
• 源自 Reflexion 论文（Shinn et al., NeurIPS 2023）
• Mem0 三合一存储：向量库 + 知识图谱 + KV 存储（200K QPS per node）
• 多信号融合检索：0.5×时间衰减 + 0.3×语义相似度 + 0.2×关系密度
• Mem0 v2 基准：LoCoMo 71.4→91.6, LongMemEval 67.8→94.8
• 限制：图存储仅在 Pro tier ($249/mo)；记忆提取依赖 LLM 判断，无反馈循环

L3 Cognitive Memory — 自治记忆（Letta/MemGPT）¶

• Agent 通过 tool calling 自己判断什么值得记、什么时候记、什么时候忘了
• 核心理念：将 LLM 上下文窗口视为操作系统的虚拟内存
• Core Memory = 常驻 RAM（Always in context）
• Recall Memory = 磁盘缓存（可检索）
• Archival Memory = 冷存储（向量库）
• 与 Mem0 的根本区别：不是"外部系统提取→存储→检索"，而是 Agent 主动推理记忆
• 代价：Letta 不是可插拔组件，需用完整平台；社区较小（22K stars）；仍偏学术研究

决策框架¶

四个升级信号¶

当前推荐¶

对于大多数团队：L0 RAG 起步，L2 Mem0 是当前性价比最均衡的选择。L3 等 Letta 生态更成熟再评估。

与已有实体的关系¶

• Claude Code Memory Workbench + Agents SDK MCP — 同为 Claude Code 记忆相关，但本实体聚焦于四层记忆架构的横向对比和决策框架

相关链接¶

• Agent 记忆架构
• Agent 记忆系统设计

参考¶

→ 原文存档