11. 延伸阅读
官方文档（必读）
- Letta Documentation
- 前身 MemGPT 的后续项目，学习 Core / Recall / Archival Memory 的分层设计。
- Letta GitHub
- 开源实现，重点看 memory 模块与 agent loop 的交互。
- LangGraph Persistence
- 生产级状态持久化，重点看 checkpoint、thread、中断恢复。
- LangGraph Add Memory
- 跨会话长期记忆的 Store 机制。
- OpenAI Agents SDK Sessions
- OpenAI 生态的会话与记忆管理。
- Mem0 Documentation
- 面向 AI 助手的记忆层，重点看 user/session/memory 抽象。
向量数据库文档
- Chroma Documentation
- 轻量向量数据库，适合原型与本地开发。
- Weaviate Documentation
- 云原生向量数据库，支持模块化 pipeline 与 hybrid search。
- Milvus Documentation
- 面向大规模向量检索的数据库，重点看索引类型与分布式部署。
- pgvector GitHub
- PostgreSQL 向量扩展，适合已有 Postgres 基础设施的团队。
论文
- MemGPT: Towards LLMs as Operating Systems
- Agent 分层记忆的奠基论文，必读。
- ReAct: Synergizing Reasoning and Acting in Language Models
- Agent Runtime 的基础范式，理解 Runtime 如何调用 Memory。
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
- RAG 基础论文，帮助区分 Memory 与 RAG。
工程文章
- Steve Kinney — Agent Memory Systems
- 系统梳理 Agent 记忆分类与设计权衡。
- LangGraph Memory Store Guide
- 跨会话记忆的工程实践。
- Mem0 Blog / Guides
- 用户-centric 记忆层的实现思路。
相关主题
- Agent Runtime 详解 — Memory 的调用方，理解 ReAct 循环中的记忆读写。
- LLM Gateway 详解 — Agent Runtime 通常通过 Gateway 调用模型，记忆系统也可通过 Gateway 调用 embedding 模型。
- vLLM 详解 — 可作为 Agent Runtime 的上游推理引擎。
- RAG 主题（后续主题）— 外部知识检索，与 Memory 同源但数据不同。
- Planning 详解 — Planner 可以利用 Episodic Memory 中的经验生成更优计划。
- Tool Use 详解 — 工具调用层；工具结果与偏好可写入 Memory。
- Multi-Agent 主题 — 共享或隔离的长期记忆池是多 Agent 协作的基础。
- Reflection 主题 — Reflection 系统产出 critique、score 与改进经验，是 Episodic Memory 的重要输入。
- MCP 主题 — Memory 可以暴露
remember/recall接口供 Runtime 通过 MCP 调用。
推荐学习路径
- 先读 MemGPT 论文，理解 Core / Recall / Archival Memory 的分层思想。
- 阅读 Steve Kinney 的文章，建立记忆分类与生命周期的系统认知。
- 用 Letta 或 Mem0 跑一个带长期记忆的对话 Agent，观察记忆如何影响回答。
- 阅读本主题的 Mini Demo，理解零外部依赖下的记忆机制实现。
- 结合 生产实践 与 最佳实践，思考多租户、隐私、embedding 版本管理与评测落地。
- 如果已读过 Agent Runtime，重点对比 Runtime 与 Memory 的边界与协作方式。
本章小结
Agent Memory 的延伸阅读覆盖了官方文档、论文、工程文章与相关主题。MemGPT 论文奠定了分层记忆的理论基础；Letta、LangGraph、Mem0 代表了不同的工程实现取向；Chroma、Weaviate、Milvus、pgvector 提供了多样化的向量存储选择。结合本主题的 Mini Demo、生产实践 与 最佳实践，可以从理论到工程全面掌握 Agent Memory。
参考来源