# Memori 中多代理持久共享内存工程：协作状态管理与跨代理回忆 > 为多代理 LLM 系统工程 Memori 的持久共享内存，支持协作状态管理和跨代理回忆，无需向量 DB 开销。 ## 元数据 - 路径: /posts/2025/11/14/multi-agent-persistent-shared-memory-in-memori/ - 发布时间: 2025-11-14T02:16:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在多代理 LLM 系统开发中，内存持久性和共享机制是实现高效协作的关键挑战。传统方法往往依赖向量数据库，导致高成本和复杂性，而 Memori 作为开源 SQL-Native 内存引擎，提供了一种轻量级解决方案。它通过一行代码集成，支持代理间共享持久内存，实现状态管理和跨代理回忆，而无需引入额外的向量 DB 开销。这种方法不仅降低了 80-90% 的存储成本，还确保了内存的可查询性和可审计性，适用于生产级多代理应用。 Memori 的核心优势在于其 SQL-native 设计，将 LLM 的交互历史存储在标准数据库中，如 SQLite、PostgreSQL 或 MySQL。这些数据库由用户完全拥有和控制，避免了厂商锁定。针对多代理场景，Memori 通过拦截 LLM 调用（如 OpenAI 或 Anthropic 的 API）来注入相关上下文，并在响应后提取实体、关系和优先级信息存储起来。例如，在 CrewAI 或 AutoGen 等框架中，Memori 可以启用共享命名空间，确保多个代理访问同一内存池，实现协作任务如研究分析或客户支持，而不丢失历史状态。 从工程角度看，实现持久共享内存首先需要配置数据库连接。使用 Memori 初始化时，指定连接字符串，例如对于 PostgreSQL：`database_connect="postgresql://user:pass@localhost/memori"`。这确保了所有代理的交互持久化到同一数据库。Memori 支持多种内存模式：Conscious Mode 用于短期工作内存注入，每查询自动检索相关回忆；Auto Mode 动态搜索长时内存；结合模式则提供最佳效果。在多代理系统中，推荐使用结合模式，并设置 `memory_namespace="shared_multi_agent"` 来隔离共享内存，避免与单代理冲突。 协作状态管理的关键是实体提取和关系映射。Memori 的 Memory Agent 在后处理阶段自动分类内存为事实、偏好、技能、规则和上下文类型。例如，当代理 A 学习用户偏好时，该信息可通过 SQL 查询（如全文搜索索引）注入到代理 B 的上下文中，支持跨代理回忆。证据显示，这种机制在 Swarms 或 CamelAI 集成中有效：代理群可以维护共享任务状态，如项目进度，而无需每次从头同步。相比向量 DB，Memori 使用 SQL 的原生查询避免了嵌入向量的计算开销，查询延迟通常在毫秒级。 为了可落地，下面给出工程参数和清单。首先，集成步骤：1) 安装 `pip install memorisdk`；2) 初始化 `memori = Memori(conscious_ingest=True, auto_ingest=True, database_connect=your_conn_str)`；3) 调用 `memori.enable()` 拦截 LLM 客户端；4) 在多代理框架中配置 LiteLLM 回调，例如在 CrewAI 的 Agent 中使用 OpenAI 客户端。对于共享内存，设置环境变量 `MEMORI_MEMORY_NAMESPACE="multi_agent_shared"` 和 `MEMORI_AGENTS_OPENAI_API_KEY="sk-..."`。 参数调优：- 数据库选择：生产环境用 PostgreSQL，支持高并发；开发用 SQLite 快速迭代。- 注入阈值：默认上下文长度 4000 tokens，可通过 ConfigManager 设置 `max_context_tokens=8000` 以适应复杂多代理对话。- 后台分析间隔：默认 6 小时，Conscious Agent 会提升高频内存到短期存储；对于实时系统，可调整为 1 小时。- 查询优化：启用全文搜索索引，SQL 如 `CREATE INDEX idx_content ON memories USING GIN(to_tsvector('english', content));` 加速跨代理回忆。 监控要点清单：1) 内存增长监控：使用 SQL 查询 `SELECT COUNT(*) FROM memories WHERE namespace='shared_multi_agent';`，设置警报阈值 100k 条记录，触发归档。2) 性能指标：追踪注入延迟（目标 <500ms）和存储成功率 (>99%)，集成 Prometheus 或类似工具。3) 一致性检查：定期验证代理回忆准确率，通过采样测试跨代理状态同步。4) 安全审计：确保共享内存访问控制，使用数据库角色限制代理读写权限。 回滚策略：在部署新版本时，先在 staging 环境中测试共享内存迁移，使用 Memori 的导出功能将 SQLite 备份为文件，便于回滚。风险包括高并发下的数据库锁，可通过连接池（如 pgBouncer）缓解；另一个是内存污染，建议分类规则过滤低质量交互。 总之，Memori 为多代理系统提供了高效的持久共享内存方案，强调简单集成和低开销。通过上述参数和清单，开发者可以快速构建协作 LLM 应用，提升系统鲁棒性。 资料来源：GitHub 仓库 https://github.com/GibsonAI/Memori，以及官方文档 https://www.gibsonai.com/docs/memori。 （正文字数约 950） ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。