2026 年初，有一个现象让人反复思考：某些 Agent 框架用起来特别"顺"。不是因为它接了哪家最强的模型，也不是代码有多优雅，而是用过的人都说——这东西越用越懂你。

它能记住你上次说的代码风格偏好，能记住你项目里绕了半天才确定的决策，甚至能把一次成功的工具调用经验直接沉淀下来，下次不用你再解释一遍。

这种"越用越顺手"的感觉，和底层模型有多强关系不大，和记忆系统怎么设计关系很大。

我认真研究了目前主流的三个框架——LangChain、AgentScope 和 Mem0——在记忆这件事上各自怎么做的，做到了哪一步，又在哪里卡住了。

LLM 本身是无状态的，每次对话都是一张白纸。但用户的需求从来不是无状态的——你上周告诉它的偏好、讨论了三轮才确定的方案、反复强调的限制条件，你都希望它记着。

一个真正工业级的记忆系统，要解决四件事：

1. 1. 身份锚定：Agent 得"认识你"，知道你的工作习惯、项目背景、沟通偏好
2. 2. 消除上下文焦虑：不用每次开新对话都重新粘贴背景说明
3. 3. 跨线程连续性：在线程 A 说的偏好，在线程 B 里自动生效
4. 4. 自主进化：通过反思把成功经验沉淀为"方法论"

工程层面则需要同时处理好：怎么分类存、存在哪里、怎么压缩遗忘、怎么检索、怎么动态更新。这五件事，是后面评价框架的尺子。

LangChain：对话历史管理器，不是记忆系统

先说结论：LangChain 在记忆这件事上，做的是对话历史管理，不是真正意义上的 Agent 记忆系统。

架构本质：两个钩子

LangChain 的记忆围绕 BaseMemory 抽象类构建，本质上是在 Chain 执行前后插了两个钩子：

• • load_memory_variables：读取记忆
• • save_context：写入记忆

整个设计绑定在单次 Chain 调用上，没有独立的后台进程，没有自动整理，没有过期清理。

四种实现，同一问题的四次打补丁

实现原理问题