Agent Memory Techniques：Zep 生产级记忆实战——对话分类、实体抽取与时间感知图谱

Agent_Memory_Techniques 是一个收录 30 个可运行 Jupyter Notebook 的 LLM Agent 记忆技术开源仓库。本文以其中第 27 项技术 Zep 生产级记忆为例，带你理解对话分类、实体抽取与时间感知知识图谱如何协同工作，让 AI 智能体在多次会话中"记住"用户。

这个仓库把 Agent 记忆拆解为 30 种可动手实践的技术，Zep 属于「框架与平台」族系，也是最接近真实生产环境的方案之一。

为什么你的 AI 智能体需要生产级记忆

大多数 AI 智能体有一个共同问题：一断开会话就失忆。你昨天告诉它"我是 Acme 公司的机器学习工程师，团队负责人是 Bob"，今天它又把你当陌生人。

更简单的记忆方案（比如对话缓冲、滑动窗口）只能处理单次聊天；而要支撑客服智能体、个人助理这类长期服务，你需要一个自动化的记忆后端：

• 不用自己写 NLP 管道，自动从对话里抽取事实和实体
• 记忆按用户隔离，跨会话、跨话题共享
• 能追踪"某条信息在什么时候成立"（时间感知）

这正是 Zep 的定位：一个生产级 Agent 记忆服务，把原始对话转化为结构化的、可检索的长期记忆。

Zep 的三大核心能力

把 Zep 想象成一位坐进每场会议的私人助理：它不逐字记录，而是往索引卡上写关键事实（"客户预算是 5 万美元"）、记下被提到的人（"市场部的 Alice"）、给每场会议标注主题（"Q3 规划"）。这一切都在后台异步完成，你的智能体无需等待。

具体而言，Zep 的消息存储后有四条后台流水线自动运转：

其中知识图谱层由Graphiti（仓库第 24 项技术）驱动。"时间感知"意味着图谱不仅记录"Alice 在纽约工作过"，还知道这是过去的事——当 Alice 说"我搬到了伦敦"，智能体可以区分过往经历与当前状态，回答"上周她住哪？"这类问题。

实战流程：5 步构建带记忆的智能体

仓库中的 zep_memory.ipynb 用不到 20 行核心代码就走完了完整闭环，流程如下：

第 1 步：创建用户与线程（Thread）。Zep 中每段对话都归属于一个用户，存放在一个线程里，相当于一个聊天会话容器。

第 2 步：发送对话消息。通过 SDK 的add_messages()方法送入多轮对话，Zep 立即存储消息并启动后台流水线。

第 3 步：搜索抽取出的事实。用自然语言查询知识图谱，例如问"项目的预算是多少？"，Zep 按语义相关度返回排名靠前的事实。

第 4 步：获取组装好的上下文。调用get_user_context()，Zep 会把相关的事实、实体和近期消息拼装成一段现成的文本块——这是生产环境最常用的模式，直接注入 LLM 的系统提示词即可，省去自写检索逻辑。

第 5 步：接入智能体循环。用户消息进来 → 存入 Zep 并取回上下文 → 拼入系统提示词 → 调用 LLM → 把回复也存回 Zep。完整模式可参考 notebook 中的ZepMemoryAgent类：

from zep_cloud import Zep, Message zep = Zep(api_key=os.getenv("ZEP_API_KEY")) zep.user.add(user_id=user_id, first_name="Alice", metadata={"role": "ml_engineer"}) zep.thread.create(thread_id=thread_id, user_id=user_id) zep.thread.add_messages(thread_id=thread_id, messages=conversation)

⏱️ 小提醒：抽取是异步的，消息存入后通常有 1–5 秒延迟新事实才可被检索到，notebook 里用time.sleep(10)等待流水线处理完成。

三种检索模式：怎么找对记忆

Zep 的图谱搜索支持三种scope，针对不同问题：

• edges（事实搜索）：返回实体间的关系事实，适合"预算是多少？"这类直接回忆
• nodes（实体搜索）：返回实体及其摘要，适合"介绍一下 Bob"
• auto（自动）：由 Zep 根据查询自行选择最优范围

跨会话记忆：Zep 最值钱的能力

notebook 的演示部分做了个漂亮的验证：为同一用户创建一个全新线程（相当于开一段新对话），问"你记得我的工作吗？""我的团队负责人是谁？"——智能体能直接答出第一条线程里才提到过的信息。

这是因为 Zep 的记忆存储在用户级别而非线程级别：一段对话里抽出的事实，会自动带入该用户的其他所有对话。对客服、个人助理场景来说，这就是开箱即用的跨会话记忆，无需自己写任何持久化代码。

什么时候该选 Zep？权衡清单

✅适合用 Zep 的场景

• 需要跨会话记忆，不想自己写持久化逻辑
• 希望自动抽取事实、实体与关系，不维护 NLP 管道
• 智能体必须区分"过去的事实"和"现在的事实"（时间感知）
• 用托管云服务，把扩容、索引、模型更新交给 Zep 团队

⚠️需要提前知道的限制

• 抽取基于 LLM，可能漏掉细节、产生幻觉事实，且抽取模型不易微调
• 异步处理带来短暂延迟，新事实不是立即可查
• 每条消息都触发 LLM 抽取，高消息量下成本会累积
• 云服务需要 Zep 账号与 API Key；自托管开源版则需要自建基础设施，两者都会绑定 Zep 的数据模型

💡搭配建议：用 Zep 做长期记忆后端，再搭配第 04 项技术（Summary Buffer Memory）管理会话内上下文，效果最佳。

上手与延伸阅读

想动手跑一遍，先获取仓库（依赖见 requirements.txt）：

git clone https://gitcode.com/gh_mirrors/ag/Agent_Memory_Techniques cd Agent_Memory_Techniques pip install -r requirements.txt jupyter notebook all_techniques/27_zep_memory/

运行前需配置ZEP_API_KEY与ANTHROPIC_API_KEY两个环境变量。

关键文件导航：

• 📓 完整教程：zep_memory.ipynb（含 3 个动手挑战：抽取精度审计、检索方式对比、多话题路由）
• 📖 技术详解：27_zep_memory/README.md
• 🕸️ 图谱引擎原理：24_graph_memory_graphiti/（Zep 图谱层底层技术）
• ⚖️ 横向对比 30 种技术：docs/comparison.md
• 🧭 进阶学习路径：docs/learning_path.md
• 📚 术语表：docs/glossary.md

一句话总结：如果你要做的 AI 智能体需要"记住人"，Zep 用对话分类、实体抽取和时间感知知识图谱，把"记忆"从 DIY 工程变成了开箱即用的基础设施——这正是 Agent_Memory_Techniques 第 27 项技术想教给你的事。