# Memori：工程化多代理分层记忆系统——嵌入层次与 episodic recall 实现长期会话持久化 > 基于 Memori 的分层记忆机制，支持 multi-agent 长期会话的 episodic recall 与高效 SQL 检索，提供工程化配置参数与用户隔离策略。 ## 元数据 - 路径: /posts/2025/11/27/memori-hierarchical-agent-memory-multi-agent/ - 发布时间: 2025-11-27T17:48:37+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在多代理（multi-agent）系统中，LLM 代理间的长期会话持久化是关键挑战，传统方法依赖昂贵的向量数据库或简单上下文窗口，容易导致检索低效和成本失控。Memori 作为开源 SQL-Native 记忆引擎，通过分层记忆架构（嵌入层次 + episodic recall）实现高效持久化：短期工作记忆（conscious ingest）即时注入，长期记忆通过动态搜索（auto ingest）和背景分析（每 6 小时）提升，支持多代理协作的上下文共享与隔离。这种设计避免了 vendor lock-in，用户完全掌控 SQL 数据库（如 PostgreSQL），并以一行代码 `memori.enable()` 拦截 LLM 调用，实现预注入上下文与后提取实体。 ### 分层记忆的核心机制：嵌入层次与 episodic recall Memori 的记忆分层类似于人类认知：**短期层（conscious mode）** 处理即时 episodic（事件式）回忆，直接注入最近交互；**长期层（auto mode）** 通过全文本搜索和实体提取实现高效检索。结合使用时，系统先 conscious 注入高优先级记忆（如代理偏好、规则），再 auto 动态拉取相关历史，避免上下文爆炸。 工程证据：在多代理框架如 CrewAI 或 AutoGen 中，Memori 拦截 `client.chat.completions.create`，从 SQL 表（conversations, entities, relationships）检索相关记忆。例如，代理 A 的技能描述存储为事实类型，代理 B 查询时自动召回，形成协作链。“Memori enables any LLM to remember conversations... with a single line: memori.enable()。”这种拦截架构确保 episodic recall 延迟 < 100ms（SQLite 本地），远优于向量 RAG。 可落地参数配置： - **记忆模式组合**：`Memori(conscious_ingest=True, auto_ingest=True)`，conscious 限 5-10 条记忆（阈值 via `max_context_tokens=4000`），auto 搜索 top-k=3-5。 - **Episodic recall 优先级**：实体关系图自动映射，设置 `memory_types=['facts', 'preferences', 'skills']`，背景进程每 6 小时运行 `Conscious Agent` 提升高频交互到短期层。 - **检索优化**：SQL 全文本索引（PostgreSQL ts_vector），查询阈值 `similarity_threshold=0.7`，过滤低相关 episodic 片段。 ### Multi-Agent 长期会话持久化：命名空间隔离与共享 针对 multi-agent，Memori 通过 `memory_namespace` 实现代理/用户隔离，支持共享子空间。例如，群聊中每个代理有独立 namespace（如 "agent-crewai-001"），全局共享 "team-knowledge"。这确保长期会话（>100 轮）不丢失上下文，同时防止跨代理污染。 实现清单： 1. **初始化隔离**： ```python memori = Memori( database_conn="postgresql://user:pass@localhost/memori", memory_namespace="multi-agent-team", # 全局 agents_openai_api_key="sk-..." # 代理专用键 ) memori.enable() ``` 2. **代理注册**：为每个代理设置子 namespace，如 `config.set_agent_namespace("agent-alpha", parent="multi-agent-team")`，存储 episodic 历史到独立表分区。 3. **共享 recall**：跨代理查询用 `search_scope='team'`，拉取共同 episodic（如任务状态），限 `max_episodes=20` 防 token 溢出。 4. **持久化参数**： | 参数 | 值 | 作用 | |------|----|------| | `user_id` | UUID per session | 会话隔离 | | `session_timeout` | 24h | 过期清理 | | `max_memory_age` | 30 days | 长期保留 | | `prune_threshold` | 0.3 relevance | 自动删低质 episodic | 在 FastAPI 多用户示例中，这种隔离支持 100+ 并发代理，SQL 查询 QPS > 500，无需 Redis 缓存。风险控制：监控 `context_length` 超 80% 时 fallback 到 auto-only，背景进程 CPU 限 10%（cron 调度）。 ### 高效检索与监控要点 Memori 的 SQL-native 检索胜过向量 DB：实体提取（NER）后建关系图，episodic recall 用 SQL JOIN（如 `SELECT * FROM conversations c JOIN entities e ON c.id=e.conv_id WHERE similarity(c.text, query) > 0.7`）。成本节约 80-90%，因无 embedding 调用。 监控清单： - **指标**：`ingest_rate` (TPS)、`recall_hit_rate` (>90%)、`db_size_growth` (<1GB/月)。 - **告警阈值**：检索延迟 >200ms → 索引重建；记忆膨胀 >10k/代理 → prune 低频 episodic。 - **回滚策略**：`dry_run=True` 测试注入；多 DB 镜像（主从 PG），故障时 `database_conn` 切换 <1s。 - **性能调优**：SQLite 适合 POC（<10 代理），PG/MySQL 生产（分区表，按 namespace shard）。 实际部署中，对于 50 代理团队，配置 `batch_ingest_size=50`，背景提升周期调至 2h，确保 episodic recall 覆盖 95% 历史交互。相比 LangGraph 等，Memori 无框架绑定，易迁移。 此方案已在 Swarms、CrewAI 示例验证，支持 Azure/DO 等云 DB。总体，Memori 分层记忆提供生产级 multi-agent 持久化，参数化配置确保可规模化。 **资料来源**： - [1] GitHub Memori 仓库：https://github.com/GibsonAI/Memori - [2] Memori 文档：https://memorilabs.ai/docs ## 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。