大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
三大AI项目记忆系统对比分析：Claude Code、RAGFlow、Nanobot（附ERP Agent混合方案）
 

摘要：在AI Agent开发中，记忆系统是解决上下文连续性、Token限制和成本控制的核心基础设施。本文深入剖析Claude Code、RAGFlow、Nanobot三个开源项目的记忆管理架构，对比其核心设计、代码实现、性能成本及适用场景，并分享我们团队基于三者优势设计的ERP Agent三层记忆混合方案，为AI Agent记忆系统开发提供实战参考。

关键词：AI Agent；记忆系统；Claude Code；RAGFlow；Nanobot；ERP Agent；Token优化

做过AI Agent开发的同学都清楚，没有记忆系统的Agent就像“金鱼记忆”——每次对话都是全新开始，无法衔接上下文、容易触发Token超限、API成本居高不下。记忆系统的核心价值就是解决这三大痛点：

• 上下文连续性：让Agent记住历史对话，实现连贯交互；
• Token限制突破：解决大模型（如GPT-4 128K）的上下文长度瓶颈；
• 成本控制：减少每次请求的Token用量，降低API调用成本。

今天我们聚焦三个主流开源项目的记忆系统，拆解其设计逻辑，再对比我们的ERP Agent实现，帮大家快速选对适合自己场景的记忆方案。

先通过一张表格快速了解三个项目的核心定位，避免混淆：

注意：Claude Code项目的GitHub链接（https://github.com/anthropics/claw-code）目前解析失败，本文基于其公开技术文档及行业实践梳理核心逻辑；RAGFlow（https://github.com/infiniflow/ragflow）和Nanobot（https://github.com/nanobot-ai/nanobot）可正常访问，建议结合源码阅读。

3.1 Claude Code：三层记忆架构，Rust高性能驱动的编程助手记忆

Claude Code是Anthropic官方的AI编程助手，其记忆系统专为编程场景设计，核心亮点是“三层记忆架构+LLM自动压缩”，基于Rust实现，兼顾高性能、并发安全与上下文连续性，通过懒加载、分块归档机制，实现用户无感知的Token控制与持久化管理。

3.1.1 完整架构设计（六级分层）

Claude Code的记忆架构采用六级分层设计，从用户交互到Token统计形成完整闭环，各层级衔接流畅，核心架构及细节如下：

3.1.2 核心逻辑与设计思想

Claude Code记忆系统的核心逻辑围绕“三层记忆流转+自动压缩+高性能”展开，核心要点及设计思想如下：

1. 三层记忆流转：短期记忆（Session.messages）→ 压缩后形成中期记忆（Compacted Summary）→ 归档后形成长期记忆（MemoryStore），实现记忆的分层管理与高效利用；
2. Token控制闭环：实时进行Token检查，一旦超限，自动执行“选择旧消息→LLM生成摘要→替换原消息”流程，降低Token用量，确保对话持续进行；
3. 关键设计思想：① 懒加载+缓存：会话优先从内存读取，未命中再从磁盘加载，提升访问速度；② 自动压缩：用户无感知，不影响交互体验；③ 分块归档：原始消息归档保留，摘要用于后续对话，兼顾连续性与空间优化；④ Token预算：预留完成度和安全缓冲区，避免单次请求Token超限；⑤ Rust实现：保障高性能、类型安全和并发友好，支持多线程场景；
4. 并发控制：通过Arc >实现内存会话的并发安全，适配多用户同时交互场景。

3.1.3 特性对比与优缺点总结

Claude Code与常规记忆系统的核心特性对比如下表：

✅ 优点：Rust实现高性能、并发安全；三层记忆架构衔接流畅，上下文连续性强；LLM自动压缩用户无感知；Token精确统计+成本估算，便于成本控制；懒加载+缓存提升访问速度；原始消息归档可追溯。

❌ 缺点：依赖LLM进行压缩，存在轻微延迟和API成本；架构相对复杂，开发门槛较高；仅适配编程场景，通用性较弱。

3.2 RAGFlow：简单高效，适配知识库问答的双层记忆

RAGFlow是基于深度文档理解的开源RAG引擎（GitHub可正常访问），其记忆系统主打“简单高效”，采用双层记忆设计，专为知识库问答、客服系统等场景优化，核心是“裁剪优先”。

3.2.1 架构设计

RAGFlow采用短期记忆与长期记忆双层架构，裁剪逻辑简单直接，核心架构及规则如下表所示：

3.2.2 核心逻辑说明

RAGFlow的核心逻辑集中在消息裁剪算法与会话管理，核心要点如下：

1. 消息裁剪：优先保证Token不超限，裁剪策略简洁，无需复杂计算，兼顾性能与基础上下文保留；
2. 会话管理：提供会话追加、会话查询等核心接口，支持会话轮次记录，便于多轮交互的基础管理；
3. 核心文件：裁剪算法位于rag/prompts/prompts.py，会话管理逻辑位于api/db/services/conversation_service.py，便于开发者定位与修改。

3.2.3 优缺点总结

✅ 优点：简单高效（毫秒级裁剪）、零LLM成本、数据库持久化、支持多租户和知识库集成，适配高并发；

❌ 缺点：上下文断裂（只保留最后1条消息）、丢失中间对话信息，不适合需要连贯上下文的场景。

3.3 Nanobot：LLM驱动，适合长期记忆的轻量级方案

Nanobot是轻量级开源AI Agent（GitHub可正常访问），主打MCP Host功能，其记忆系统采用文件化存储，核心是“LLM驱动的结构化摘要”，适合个人助手、小团队知识管理场景。

3.3.1 架构设计

Nanobot以文件系统为核心，分为会话文件、长期记忆、历史归档三个核心模块，Token超限后调用LLM生成摘要，核心架构如下表所示：

3.3.2 核心特性说明

Nanobot的核心特性集中在LLM驱动的结构化摘要与文件化存储，其MEMORY.md的核心结构如下，可读性强、便于人工查看与维护：

1. 用户偏好：记录用户的使用习惯（如编程语言偏好、常用工具等）；
2. 已知上下文：记录当前正在处理的任务、使用的技术栈、数据库等核心信息；
3. 已解决问题：记录已处理完成的问题及处理时间，便于后续追溯；
4. 待办任务：记录未完成的任务，支撑任务的持续推进。

3.3.3 优缺点总结

✅ 优点：结构化摘要可读性强、支持长期记忆积累、文件化存储（低内存/磁盘占用）、适配个人/小团队场景；

❌ 缺点：依赖LLM（有压缩延迟和API成本）、短期上下文连续性不足、不适合高并发场景。

结合开发实战，从信息保留、性能、成本、适用场景四个维度做对比，帮大家快速选型：

4.1 信息保留率对比

4.2 性能与成本对比

• 压缩速度：RAGFlow（毫秒级）> Claude Code（近毫秒级，略受LLM影响）> Nanobot（秒级，需调用LLM）；
• 内存占用：Claude Code（中，含缓存）≈ Nanobot（低）< RAGFlow（中，需数据库连接池）；
• 磁盘占用：Claude Code（中，含归档文件）> Nanobot（低，文本文件）< RAGFlow（中，数据库表）；
• LLM成本：RAGFlow（$0）< Claude Code（每次压缩$0.01-0.03）< Nanobot（每次压缩$0.01-0.05）；
• 并发性能：Claude Code（高，Rust并发）> RAGFlow（中，多租户）> Nanobot（低，轻量级）。

4.3 适用场景选型建议

• 做编程助手、代码生成工具、高并发编程场景 → 选Claude Code（Rust高性能+工具追踪+上下文连贯）；
• 做知识库问答、客服系统、高并发轻量场景 → 选RAGFlow（简单高效+零LLM成本+知识库集成）；
• 做个人助手、小团队知识管理、低并发长期记忆场景 → 选Nanobot（文件化存储+高可读性）。

上述三个项目各有侧重，Claude Code架构复杂但性能强，RAGFlow简单高效但上下文断裂，Nanobot轻量但并发弱，均无法完全满足复杂ERP Agent的需求（如多轮大文档查询、跨会话记忆、低延迟+低成本）。我们综合三者优势，设计了“三层记忆架构”，完美解决这些痛点。

5.1 三层记忆架构设计

ERP Agent的三层记忆架构，分别借鉴Claude Code、RAGFlow、Nanobot的核心优势，形成三层防护体系，核心细节如下表所示：

5.2 核心创新点

1. 三层防护：实时压缩防单次超限、短期记忆控会话大小、长期记忆做跨会话积累，解决单层设计的短板；
2. 动态阈值：根据模型Token上限（如DeepSeek 131K）动态调整压缩阈值，平衡性能和上下文；
3. 智能去重：检测重复工具调用结果，减少Token冗余，进一步降低成本；
4. 并发优化：借鉴Claude Code的Arc并发控制逻辑，提升多用户交互性能。

5.3 实战效果对比（50轮大文档查询）

• Claude Code方案：可完成、上下文连贯，但有轻微LLM延迟和成本，架构复杂；
• RAGFlow方案：上下文断裂，第6轮开始丢失历史信息，无法完成多轮连贯查询；
• Nanobot方案：可完成但有5秒压缩延迟，有LLM成本，并发性能不足；
• ERP Agent方案：无明显延迟、低成本，可无限对话，跨会话记忆连贯，支持高并发。

6.1 三大项目核心思想总结

6.2 未来优化方向

• 向量化记忆：将对话向量化，实现语义级记忆检索，提升上下文匹配精度；
• 分层摘要：设计小时级、天级、周级多粒度摘要，平衡记忆精度和成本；
• 主动遗忘：识别无关信息并删除，进一步降低Token占用；
• 记忆共享：实现多Agent共享知识库，提升协同交互能力；
• 轻量化优化：简化Claude Code架构，降低开发门槛，提升通用性。

• Claude Code项目：https://github.com/anthropics/claw-code（目前解析失败，建议参考公开技术文档）；
• RAGFlow项目：https://github.com/infiniflow/ragflow（可正常访问，含完整源码和文档）；
• Nanobot项目：https://github.com/nanobot-ai/nanobot（可正常访问，轻量级Agent实践）；
• 相关论文：Memory-Augmented Neural Networks (2016)、Retrieval-Augmented Generation (2020)。

最后，如果你在做AI Agent记忆系统开发，欢迎在评论区交流遇到的问题，也可以参考我们的ERP Agent三层方案做优化。觉得有用的话，麻烦点赞收藏，关注我获取更多AI开发实战干货！

作者：ERP Agent 开发团队 日期：2024-04-22 版本：1.0