记忆一直是 Agent 落地的最后一公里：模型再强，会话一断它就退回陌生人；检索再准，用户上个月说过的偏好依旧躺在日志里没人管。过去一年我把一套 Agent 长期记忆中间件（代号 agentmem）从零做到支撑日均千万级对话，踩过的坑比写过的代码多。这篇长文把整套东西拆开讲：存储怎么设计、写入怎么抽取与更新、召回怎么多路融合、上下文怎么编排、记忆怎么遗忘与巩固，以及上线后在真实流量里遇到的 12 类故障和对应处置。全文按工程实施顺序组织，每一章都配可运行级别的代码与架构图，代码统一落在 agentmem 这套模块里，字段名、函数签名前后一致，你可以按章节顺序拼出一套能跑的系统：为什么 Agent 必须有长期记忆商业最强 Agent 记忆架构横向拆解（Mem0 / Zep / Letta / LangMem / Cognee）存储层：四级隔离域、混合索引与表结构写入管线（上）：记忆抽取写入管线（下）：ADD/UPDATE/DELETE/NOOP 四路决策时序知识图谱：双时间轴表达事实过期召回与重排：多路召回、RRF 融合、时间衰减上下文编排：把记忆塞进有限 token遗忘、巩固与冲突消解三个生产环境案例：客服、编程 Agent、个人助理运行期 12 类记忆故障实录与解决方案落地清单与演进路线为什么 Agent 必须有长期记忆：从无状态推理到有状态智能体我做过三个上线超过半年的 Agen
