Weaviate Engram

Weaviate Engram

给 Agent 装上长期记忆

亦作、亦称：Engram · Agent 记忆服务 · Memory as a Service

Weaviate 于 2026 年 6 月 15 日正式 GA 的托管记忆服务，构建在 Weaviate 向量数据库之上，通过异步 Pipeline 自动从 Agent 交互中提取、去重、整合结构化记忆，以混合检索方式返回上下文，支持按项目/用户/属性隔离。

技术架构

Engram 的架构分为三层：数据接入层、Pipeline 层、检索层。数据接入层接受原始交互数据（对话、事件、文档），支持 Python/JS SDK 和 REST API。

Pipeline 层是核心——异步执行记忆提取（根据 Topic 配置过滤相关信息）、记忆调和（与已有记忆 reconciled，去重并整合矛盾信息）、持久化（写入 Weaviate 向量数据库）。

检索层通过 Weaviate 的混合检索（Hybrid Search，结合向量语义检索和 BM25 关键词检索）返回结构化记忆。权限隔离贯穿三层：每条记忆都带有项目、用户、属性的 Scope 标签，检索时自动过滤，确保数据隔离。

与 Mem0/Zep/Letta 对比

2026 年 Agent 记忆领域有四大方案：Mem0（47K+ Stars）是最广泛使用的独立记忆 SDK，支持多种向量数据库后端；Zep 专注时间感知记忆，擅长处理记忆的时间衰减和优先级；Letta（原 MemGPT）提供自托管控制方案，适合对数据主权要求高的企业；Engram 直接构建在 Weaviate 之上，继承其成熟的向量检索和混合检索能力，优势是开箱即用、无需额外基础设施。

选型建议：已使用 Weaviate 的团队首选 Engram；需要多后端灵活性选 Mem0；需要时间感知选 Zep；需要完全自托管选 Letta。

采纳与定价

Engram 于 2026 年 6 月 15 日在 Weaviate Cloud 正式 GA，提供免费层（Free Tier），适合原型开发和小规模应用。企业版提供更高的存储和检索配额、SLA 保障、私有部署选项。

Engram 提供即用模板（Ready-to-Use Templates），覆盖常见场景：用户偏好记忆（跨会话记住用户喜好）、对话上下文记忆（多轮对话的长期上下文）、Agent 经验记忆（从反馈中学习改进）。

可组合属性（Extensible Properties）和可组合 Pipeline 让团队可以根据领域需求定制记忆提取和检索逻辑。

常见误解

日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。

  • 「给 Agent 装上长期记忆」
  • 「记忆即服务」

相关术语

和本术语关联紧密的其他词条，便于串联理解。

🎯 考点练习

含该术语的高频面试题，含标准答案与追问。

浏览全部面试题 →

延伸阅读

从知识库精选 2 篇文章，帮助深入理解该术语。

  1. 1

    Weaviate Engram 深度解析：AI Agent 生产级记忆服务的技术架构与工程实践

    2026 年 6 月 15 日，Weaviate 宣布 Engram 正式 GA（General Availability）。Engram 将 Agent 记忆从「自建基础设施」升级为「托管服务」——原始交互通过异步 Pipeline 自动提取、去重、 reconciled，最终以混合检索方式返回结构化记忆。本文从架构设计、Pipeline 机制、权限隔离模型、与 Mem0/Zep/Letta 的对比、到 Python/TypeScript 完整接入代码，系统讲解 Engram 如何成为 Agent 记忆层的生产级解决方案。

  2. 2

    AI Agent 记忆系统工程：四层架构、Mem0/Zep/Letta/LangMem 生产选型与 2026 最新进展

    2026 年 6 月，AI Agent 记忆系统已从「可选插件」升级为「核心基础设施」。Futurum Research 提出四层 Agentic Memory 模型（工作记忆、情景记忆、语义记忆、程序性记忆），Mem0 以 47K+ GitHub Stars 成为最广泛使用的记忆平台，Zep 在时间感知记忆领域领先，Letta 提供自托管控制方案。本文系统讲解 Agent 记忆系统的四层架构设计、五大工具选型对比、遗忘与衰减机制、CAMS 安全模型、以及从原型到生产的完整工程路径。

外部参考

维基百科：查看「Weaviate Engram」词条

本页内容为本站原创撰写；维基百科链接仅作延伸参考。