文章目录A-MEM 项目实践从 Zettelkasten 论文到 Agentic Memory 工程落地项目导读1. 核心结论2. 论文信息速览3. 论文解读它要解决什么问题传统记忆系统的局限为什么选择 Zettelkasten4. 四步流程Note → Link → Evolve → Retrieve符号与术语速查表先看这个提示词模板记忆字段单条笔记上有什么流程变量四步里怎么流转评测与基线工程组件1. 笔记构建Note Construction2. 链接生成Link Generation3. 记忆演化Memory Evolution4. 相关记忆检索Retrieve Relative Memory四步流程常见问题6 问LLM 生成 keywords/tags/context 是提取特征词吗embedding 只针对特征词还是全文向量 top-k → LLM 建链具体怎么做Box记忆簇是什么演化如何更新旧记忆是否图数据库检索为何 top-k是否只是向量匹配5. 实验与基准LoCoMo 与 DialSimLoCoMo长对话 QADialSim影视剧多轮对话消融实验要点6. 论文方法 vs 基线对比表7. 论文局限与工程风险8. 两个 GitHub 仓库如何区分9. 它在 Agent Memory 生态里扮演什么角色10. 项目特色动态链接如何让记忆从条目变成网络11. 架构与工作方式工程视角12. 工程数据流AgenticMemorySystem记忆系统主类深挖写入路径读取与维护调度与异步工程风险清单13. 论文 vs 开源项目对照表14. 适合的场景15. 不适合的场景16. 生态对比六个工程维度17. 实践建议1. 链接要有类型、来源与时间2. 演化必须可回滚3. 分离「热写入」与「冷演化」4. 人机协同审阅5. 与 Mem0 / 向量库组合6. 评测先行7. 权限边界18. 与同类方案一句话对比19. 资源链接github项目地址https://github.com/agiresearch/a-memA-MEM 项目实践从 Zettelkasten 论文到 Agentic Memory 工程落地一句话定位借鉴 Zettelkasten卡片盒笔记法把记忆从孤立 chunk文本块变成会动态链接、演化和重组的关系网络。论文A-Mem: Agentic Memory for LLM AgentsNeurIPS 2025工程实现agiresearch/A-mem约 1,019 Star作者/评测仓库WujiangXu/A-mem约 890 Star类型研究型 Agentic Memory 项目适合读者想理解动态链接、agentic retrieval、记忆演化并评估能否接入生产的开发者与研究者。项目导读A-MEMNeurIPS 2025把 Agent 记忆做成会连、会改的笔记网络交互落成带关键词、标签、情境说明的原子笔记写入时向量找近邻、大模型建链并可刷新旧摘要检索除相似度外还沿链接扩展邻居。相对只读 RAG 与结构较固定的 Mem0它让记忆边写边演化Multi-hop 更强但写入贵、需自建链接审计。agiresearch/A-mem 可 pip 接原型WujiangXu/A-mem 偏论文复现评测适合研究动态记忆且愿治理链接者不适合简单偏好缓存或企业开箱记忆服务。1. 核心结论A-MEM 的核心不是「更好的向量库」而是agentic note system记忆能自己标注、连链、演化每条记忆是带语义属性的原子笔记写入时自动建链检索时沿链接扩展上下文。论文在 LoCoMo长对话问答基准、DialSim影视剧多轮对话基准等数据集上相对 MemGPT、MemoryBank、ReadAgent 等基线有明显提升尤其在Multi-hop跨多段对话综合作答类问题上优势突出。工程上agiresearch/A-mem提供AgenticMemorySystem记忆系统主类 ChromaDB向量库的可运行实现WujiangXu/A-mem更贴近论文作者侧含评测与复现脚本。生产落地仍需补齐链接质量审计、权限与回滚、异步演化队列、成本控制以及和 Mem0 / Graphiti 等成熟方案的分工边界。2. 论文信息速览项目内容标题A-Mem: Agentic Memory for LLM Agents会议NeurIPS 2025arXiv2502.12110作者机构Rutgers University、Independent Researcher、AIOS Foundation核心主张记忆系统应具备agency自主性自主生成上下文、动态建链、随新经验演化旧记忆灵感来源Zettelkasten卡片盒笔记法一卡一知识点论文代码评测WujiangXu/AgenticMemory论文代码生产向WujiangXu/A-mem-sys3. 论文解读它要解决什么问题传统记忆系统的局限现有 LLM Agent 记忆方案MemGPT、MemoryBank、Mem0 图存储等大多具备固定的写入点、检索时机和存储结构。开发者需要在工作流里预先定义「何时写、何时查、存成什么形态」。结果是新知识只能塞进既有 schema难以自发形成新关联长程交互中记忆组织僵化跨任务泛化弱与 Agentic RAG 相比RAG 的 agency 主要在检索阶段何时查、查什么而 A-MEM 把 agency 前移到存储与结构演化本身。论文用 Figure 1 对比了「传统固定访问模式」与「A-MEM 动态记忆操作」——后者允许记忆网络随交互持续重组而不依赖预编排的 memory pipeline。为什么选择 ZettelkastenZettelkasten 的三条原则被 A-MEM 工程化原子性Atomicity每条记忆是单一、自洽的知识单元灵活链接Flexible Linking笔记之间按语义而非固定 schema 连接持续演化Evolution新笔记进入后旧笔记的上下文描述可被重写、标签可被更新。与「整张知识图谱一次性建模」不同A-MEM 的图是边写边长出来的论文称「涌现式」没有预先画好的实体表链接由 LLM 在写入时判定演化由新记忆触发。4. 四步流程Note → Link → Evolve → Retrieve论文方法可概括为四个串联阶段对应架构图 Figure 2。下文正文优先使用中文术语建笔记提示模板、建链提示模板、演化提示模板论文原符号只放在速查表和论文对照表里便于回看原文。符号与术语速查表先看这个正文优先使用中文名下表中的论文符号只用于对照原论文不建议在阅读正文时反复代入。比如论文里的m_i「第 i 条记忆」e_q「问题向量」k10「先找最像的 10 条」。提示词模板符号或英文中文叫什么一句话干什么用P_s1建笔记提示模板第 1 步发给 LLM从原始content生成 keywords / tags / contextP_s2建链提示模板第 2 步在近邻候选里由 LLM 判定应连哪些旧记忆P_s3演化提示模板第 3 步决定是否刷新近邻旧记忆的摘要层字段记忆字段单条笔记上有什么符号或英文中文叫什么一句话干什么用contentc_i原始内容对话、事件等未经加工的原文timestampt_i时间戳记录这条记忆何时写入keywordsK_i关键词LLM 提炼的主题词、实体名便于检索tagsG_i标签更高层类别签类似卡片盒分类contextX_i上下文描述一两句说明「这条在讲什么、什么情境」embeddinge_i向量 / 嵌入把 contentkeywordstagscontext 拼接后编码得到的稠密向量linksL_i链接集与本条建立关联的其他记忆 ID 列表流程变量四步里怎么流转符号或英文中文叫什么一句话干什么用m_i第 i 条记忆库里的第 i 条结构化笔记含上表全部字段e_n新笔记向量刚写入那条记忆的embedding用来找近邻e_q查询向量当前用户问题编码后的向量用来检索M_near/ Near memories近邻候选集与当前笔记向量最像的 top-k 条旧记忆供建链或演化阅读k召回条数只取相似度最高的 k 条论文默认 k10top-k取前 k 名按相似度排序后只保留最相关的 k 条控制成本Box记忆簇context相近的多条记忆粘成的软分组非独立数据表agentic自主式 / 模型驱动由 LLM 理解语义后标注、建链、演化而非规则词典agency自主权 / 主动性系统能自主决定何时写、怎么链、怎么演化结构评测与基线符号或英文中文叫什么一句话干什么用LoCoMo长对话 QA 基准约 9K token、多 session 的对话问答数据集DialSim影视剧对话基准基于《老友记》等剧集的多轮对话测验Multi-hop多跳推理需综合跨 session、多条记忆才能答对的问题Single-hop单跳召回单段对话内即可找到答案Temporal时间线推理考察事件先后、时间关系F1F1 分数生成答案与标准答案的词级重合指标BLEU-1BLEU-1 分数生成答案与参考答案的 n-gram 重合指标LG / ME建链 / 演化模块消融实验里分别去掉 Link Generation、Memory EvolutionMemGPT、MemoryBank、ReadAgent对比基线论文对照的其他 Agent 记忆方案Zettelkasten卡片盒笔记法A-MEM 灵感来源原子笔记 灵活链接 持续演化Agentic RAG自主检索增强agency 主要在「何时查、查什么」A-MEM 还管存储与演化Open-domain / Adversarial开放域 / 对抗题LoCoMo 中需外部知识或识别「无法作答」的题型chunk文本块传统记忆把对话切成互不关联的片段metadata元数据向量库旁路存储的 tags、links、时间戳等结构化字段工程组件符号或英文中文叫什么一句话干什么用AgenticMemorySystem记忆系统主类agiresearch/A-mem的 Python 入口封装四步流程ChromaDB向量数据库默认存储 embedding 与 metadata含 linksadd_note写入接口新增一条记忆并触发标注、建链、演化search_agentic自主检索接口向量 top-k 沿 links 扩展邻居上下文all-MiniLM-L6-v2默认编码模型论文与工程常用的轻量文本向量模型新交互内容 │ ▼ ┌─────────────────┐ │ 1. Note │ LLM 生成 keywords / tags / context │ Construction │ 文本编码器得到 embedding └────────┬────────┘ ▼ ┌─────────────────┐ │ 2. Link │ 向量 top-k 候选 → LLM 判定是否建链 │ Generation │ 形成「Box」相似上下文的记忆簇 └────────┬────────┘ ▼ ┌─────────────────┐ │ 3. Memory │ 更新近邻旧记忆的 context / tags / keywords │ Evolution │ └────────┬────────┘ ▼ ┌─────────────────┐ │ 4. Retrieve │ 查询向量 → top-k 记忆 → 注入 Agent 上下文 │ Relative │ └─────────────────┘1. 笔记构建Note Construction每条记忆也就是第 i 条笔记可理解为一条结构化记录核心字段如下字段含义content原始交互内容timestamp时间戳keywordsLLM 生成的关键词tagsLLM 生成的标签contextLLM 生成的上下文描述contextual descriptionembedding将content、keywords、tags、context拼接后编码的稠密向量links已链接的相关记忆 ID 集合LLM 按建笔记提示模板从原始content中生成keywords、tags、context把裸交互变成带摘要层的原子笔记。2. 链接生成Link Generation用新笔记向量与历史记忆做余弦相似度取 top-k论文默认 k10先找最像的 10 条得到近邻候选集再调用 LLM按建链提示模板分析是否建立链接得到写入links的链接 ID 集合。设计意图向量检索保证可扩展性LLM 判定捕捉 embedding 难以表达的因果、隐含关系。论文里的Box记忆簇context描述相近的多条记忆会自然粘在一起且单条记忆可同时属于多个簇。3. 记忆演化Memory Evolution对新笔记的近邻候选最像的 top-k 条旧笔记LLM 按演化提示模板决定是否更新其context、keywords、tags。新经验进入 → 旧记忆摘要层被刷新 → 网络理解随时间加深。这是 A-MEM 与静态 RAG检索增强只读知识库的本质差异。4. 相关记忆检索Retrieve Relative Memory对当前问题编码得到查询向量与全库记忆算相似度取 top-k 注入 prompt。工程实现中的search_agentic自主检索即对此阶段的封装。四步流程常见问题6 问LLM 生成 keywords/tags/context 是提取特征词吗结论不是 TF-IDF 抽词是 LLM 按建笔记提示模板给每条记忆填三张「卡片字段」。第 1 步把原始content和固定提示词一起发给 LLM由模型理解后填写不是分词器或词典匹配。keywords主题词、实体名、核心概念方便检索和聚类。tags更高一层的类别签类似卡片盒上的分类标签。context一两句说明「这条记忆在讲什么、处在什么情境」后面建链和 Box 聚类主要靠它。三张字段加上原文才把裸交互变成可检索、可链接、可演化的原子笔记。embedding 只针对特征词还是全文结论编码的是「原文 三张卡片字段」拼在一起后的文本不是只编码 keywords。论文与agiresearch/A-mem都把content、keywords、tags、context拼接后送进编码器如 all-MiniLM-L6-v2。用户原话仍留在向量里三张字段相当于加了一层摘要语义减轻长文本噪声。若只编码keywords细节会丢与论文设计不符。向量 top-k → LLM 建链具体怎么做结论先向量找候选再 LLM 定要不要连——两段式避免全库两两问模型。向量召回新笔记有了embedding后与库里每条记忆算余弦相似度取 top-k论文默认 k10得到近邻候选集最像的旧笔记。LLM 定链把候选和新笔记的content、context、keywords、tags等塞进建链提示模板由模型决定连哪些结果写入新笔记的links。向量擅长「像不像」LLM 补因果、时序、指代等 embedding 难抓的关系。工程上add_note写入 ChromaDB 后会走同一套逻辑。Box记忆簇是什么结论Box 不是数据库表而是context相近的多条记忆在语义上粘成的软分组。类似 Zettelkasten 里「同一主题抽屉里的卡片堆」靠context相似自然聚在一起。一条记忆可以同时属于多个 Box例如同时涉及项目 A 和人物 B。没有单独的 Box ID检索时通过links和相近context体现出来。Multi-hop 答题时常靠这些软簇把多条笔记的背景拼起来。演化如何更新旧记忆是否图数据库结论新笔记写完并建链后用演化提示模板刷新近邻旧记忆的摘要层默认不必上图数据库。何时触发第 3 步 Memory Evolution在 Link 之后对象是向量 top-k 挑出的近邻旧记忆。改什么一般只更新context、keywords、tags原始content通常不动除非工程里显式update。怎么存节点 原子笔记边 links里的 IDagiresearch/A-mem用 ChromaDB metadata应用层按 ID 展开邻居。需要复杂图分析时可自行把links同步到 Neo4j 等但这不是论文默认前提。检索为何 top-k是否只是向量匹配结论检索用 top-k 控成本入口是向量相似度但还会沿links把邻居笔记一起拉进上下文。长对话库可能有数千条记忆不可能全塞进 prompt所以对 query 编码后取 top-k 条最相关笔记。写入阶段的 top-k找建链/演化近邻和检索阶段的 top-k找答题上下文机制相同目的不同。search_agentic在向量召回之外会沿链接扩展邻居的content/context补 Multi-hop 场景。局限见第 7 节尚无显式推理规划器仍以相似度 链接扩展为主。5. 实验与基准LoCoMo 与 DialSimLoCoMo长对话 QALoCoMo 平均约9K tokens、最多35 个 session远超早期对话数据集约 1K tokens / 4–5 session。含 7,512 组 QA覆盖五类问题类型考察能力Single-hop单跳单 session 内事实召回Multi-hop多跳跨 session 信息综合Temporal时间线时间线推理Open-domain开放域对话 外部知识Adversarial对抗题识别不可回答问题基线LoCoMo原文方法、ReadAgent、MemoryBank、MemGPT。指标F1词级重合分数、BLEU-1n-gram 重合分数辅以 ROUGE、METEOR、SBERT 等见附录。代表性结果GPT-4o-mini论文 Table 1方法Multi-hop F1Temporal F1平均 RankingToken/问MemGPT26.6525.522.4~16,977A-Mem27.0245.851.22,520在六个基础模型GPT-4o-mini/4o、Qwen2.5 1.5B/3B、Llama 3.2 1B/3B上A-MEM 多数类别领先Multi-hop 上相对基线可达约2×提升。Token 成本单次记忆操作约1,200 tokens相对 LoCoMo/MemGPT 全量上下文~16,900节省约85–93%。DialSim影视剧多轮对话DialSim 源自《老友记》《生活大爆炸》《办公室》等剧集约 350K tokens、1,300 session问题来自粉丝测验与时间知识图谱。论文 Table 2 摘要方法F1BLEU-1SBERT Sim.LoCoMo2.553.1315.76MemGPT1.181.078.54A-Mem3.453.3719.51F1 相对 LoCoMo 提升约 35%相对 MemGPT 提升约 192%。消融实验要点去掉Link GenerationLG建链模块或Memory EvolutionME演化模块任一模块Multi-hop 与整体 F1 均明显下降说明「只存向量、不建链不演化」无法复现论文收益。6. 论文方法 vs 基线对比表维度LoCoMo / ReadAgentMemGPTMemoryBankMem0图A-MEM存储单元会话片段 / 摘要分页缓存静态条目图节点边原子笔记 动态链接结构固定固定层级固定预定义 schema边写边长的链接网络无预定义 schema写入规则触发工作流规则抽取入库LLM 标注 自动建链演化弱替换/滚动弱有限显式 Memory Evolution检索相似度分页检索相似度图遍历向量 链接扩展Agency自主权层级低中低中图高结构自主演化长对话 Multi-hop中中弱中强论文主要卖点Token 成本很高很高低中低选择性 top-k7. 论文局限与工程风险类别说明LLM 依赖标注、建链、演化均依赖 LLM错误会级联污染网络链接质量向量相似度可能把无关记忆连到一起需置信度与人工审核延迟与成本每次写入多次 LLM 调用论文约 5.4sGPT-4o-mini/ 1.1s本地 Llama 3.2 1B一致性演化会改写历史记忆缺少版本链时难以审计与回滚评测域主要在对话 QA对工具调用轨迹、多模态、企业权限模型覆盖不足与 Agentic RAG自主检索增强边界检索仍偏相似度 top-k复杂推理链路上未引入显式规划器8. 两个 GitHub 仓库如何区分社区里常把两个仓库都叫「A-mem」职责并不相同集成前应先选对入口。仓库维护方定位典型用途agiresearch/A-memAGI Research 组织面向开发者的 pip 包pip install agentic-memory快速集成 AgentWujiangXu/A-mem论文一作 Wujiang Xu论文作者侧实现复现、实验脚本、与论文同步的算法细节论文页还指向评测代码WujiangXu/AgenticMemoryLoCoMo / DialSim 实验生产向系统WujiangXu/A-mem-sys实践建议做产品原型优先看agiresearch/A-mem做论文复现或发 paper 对比优先看WujiangXu/A-mem与AgenticMemory。9. 它在 Agent Memory 生态里扮演什么角色在工业实现谱系中A-MEM 代表研究化的动态记忆路线与 MemOS 的 OS 调度、Mem0 的通用记忆层、Graphiti 的时间事实图并列对比 GraphitiGraphiti 强调时序事实图与边/节点的有效期A-MEM 强调笔记式动态链接与上下文演化不强制三元组 schema。对比 Mem0Mem0 偏开箱即用的记忆 API与多后端A-MEM 更偏研究原型链接与演化逻辑更重。对比 LangMemLangMem 是 LangGraph 生态的工具层A-MEM 是独立记忆架构论文 库。对比 MemGPTMemGPT 用虚拟内存分页A-MEM 用 Zettelkasten 网络在 Multi-hop QA 上论文报告更优且 token 更省。10. 项目特色动态链接如何让记忆从条目变成网络A-MEM把记忆做成会演化的链接网络。普通 memory 把每条记录当成独立 chunk孤立文本块A-MEM 在写入时判断与已有记忆的关系检索时沿链接扩展相关节点使 Agent 能从多个碎片重组背景而非只拿 top-k 相似文本。实现上每条 memory 是带内容、上下文描述、关键词、标签、链接集的节点。写入 ≠ append-only演化阶段可能原地更新近邻记忆的 metadata使整个网络对领域理解逐步加深。11. 架构与工作方式工程视角可从四个维度理解工程集成维度A-MEM 做法写入入口add_note(content, metadata)或 Agent 工具调用存储形态ChromaDB向量库 结构化 metadata元数据含 links召回方式search_agentic自主检索query, k语义检索 链接扩展治理能力需应用方自建审计、权限、回滚、链接清理生命周期creation → linking → retrieval → evolutionupdate其中 evolution 在写入/更新时同步触发README 未描述独立 worker 队列。12. 工程数据流AgenticMemorySystem记忆系统主类深挖agiresearch/A-memREADME 给出的入口fromagentic_memory.memory_systemimportAgenticMemorySystem初始化需配置embedding model向量编码模型、LLM backend、LLM model底层默认ChromaDB向量库做向量存储与语义检索。写入路径add_note(content, metadata) │ ├─► LLM建笔记提示模板生成 context / tags / keywords ├─► 文本编码 → embedding ├─► ChromaDB写入向量 metadata ├─► 检索历史相关记忆向量 top-k ├─► LLM判定 links └─► Memory Evolution更新相关旧记忆的 context / tags读取与维护API作用read(memory_id)按 ID 读取单条记忆search_agentic(query, k)Agentic 检索相似度 链接上下文update(...)/delete(...)显式维护更新可再次触发演化调度与异步当前公开实现为同步 APIadd_note/update调用链内完成 LLM 标注、建链与演化无独立后台 worker。高 QPS 场景需自行包装为队列任务并做幂等与重试。工程风险清单LLM 幻觉标注错误 tags/context 污染检索错误链接相似度过高或 LLM 误判导致知识簇污染演化不可追溯缺版本号时难以 diff「记忆被改前/改后」ChromaDB 单点大规模部署需分片、备份与多租户隔离成本每条写入 ≥2–3 次 LLM 调用构建 链接 演化。13. 论文 vs 开源项目对照表论文概念论文描述agiresearch/A-memWujiangXu/A-memNote Construction建笔记提示模板论文记作P_s1生成keywords/tags/contextembeddingadd_note LLM 属性生成对齐论文流程Link Generationtop-k 建链提示模板论文记作P_s2写入时自动建链评测脚本中一致Memory Evolution演化提示模板论文记作P_s3更新近邻update/ 写入副作用论文复现Retrievetop-k 相似记忆search_agentic基准评测 pipeline存储后端向量库 metadataChromaDB实验配置可换Embeddingall-minilm-l6-v2可配置 embedding model论文默认一致LoCoMo / DialSim完整评测需配合 AgenticMemory含评测脚本异步队列未强调无视分支而定生产特性A-mem-syspip 包、API 简洁更偏研究14. 适合的场景研究Agentic Memory、动态链接与记忆演化机制构建个人知识网络式长期助手笔记、读书、研究助理长对话 Agent且Multi-hop / 跨 session 综合是核心痛点希望用Zettelkasten 式组织替代纯向量 top-k 的团队。15. 不适合的场景需要即插即用企业记忆服务权限、SLA、多租户开箱即用仅需简单用户偏好 key-value或短上下文缓存不愿投入图/链接质量治理的团队对每次写入多次 LLM 调用成本敏感且无批处理策略的生产流量。16. 生态对比六个工程维度维度A-MEMMem0GraphitiLangMemMemGPT存储形态笔记网络 向量向量/图多后端时序知识图LangGraph Store分页虚拟内存写入LLM 标注 自动建链自动抽取事实入库时间边工具化写入工作流触发检索agentic 链接语义/混合hybrid图遍历框架检索分页检索演化核心能力合并/更新时间失效后台合并滚动窗口成熟度研究原型工业较成熟企业向框架绑定成熟但结构固定成本特征写入贵、检索省 token中等中高依赖栈上下文贵17. 实践建议1. 链接要有类型、来源与时间不要只做无向相似度边。建议为每条 link 记录relation_type因果/并列/反驳、created_bymodel / rule / user、confidence、created_at。便于后续清理错误关联。2. 演化必须可回滚为每次 Memory Evolution 保留版本快照或 append-only event log。生产环境避免直接覆盖context、keywords、tags而无历史。3. 分离「热写入」与「冷演化」参考 MemOS 的 scheduler 思路前台add_note只完成笔记入库与轻量链接重型演化放队列降低用户感知延迟。4. 人机协同审阅对高价值Box记忆簇设置人工确认或定期后台任务扫描低置信度链接自动剪枝。5. 与 Mem0 / 向量库组合可借鉴 A-MEM 的标注 建链 演化逻辑底层仍用成熟存储不必从零复刻 ChromaDB 集成。6. 评测先行上线前用自有长对话集或 LoCoMo 子集做Multi-hop / Temporal分层评测确认收益覆盖你的业务问答类型而非只看平均 F1。7. 权限边界借鉴论文思路不等于允许模型无约束删改长期记忆。删除、覆盖类操作应走显式工具 审计日志。18. 与同类方案一句话对比方案与 A-MEM 的差异Graphiti时序事实图 有效期A-MEM 是动态 note linking evolutionMem0通用记忆层、工程成熟A-MEM 更研究化、链接演化更重Cognee / Neo4j重图建模与多跳A-MEM 轻 schema、LLM 驱动建链LangMemLangGraph 工具与后台合并A-MEM 独立记忆架构MemOSOS 级调度与 MemCubeA-MEM 专注单 Agent 笔记网络AgeMem另一条线RL 学习 memory操作 policyA-MEM 不涉及策略学习19. 资源链接论文arXiv:2502.12110 — A-Mem: Agentic Memory for LLM Agents工程实现GitHub: agiresearch/A-mem作者仓库GitHub: WujiangXu/A-mem论文评测GitHub: WujiangXu/AgenticMemory论文生产向GitHub: WujiangXu/A-mem-sys
