# Memori：AI代理的分层记忆引擎 > Memori通过SQL-native分层记忆架构，为LLM/AI代理提供短/长期记忆层，支持embedding-like检索、多代理共享及高效更新查询操作。 ## 元数据 - 路径: /posts/2025/11/28/memori-hierarchical-memory-engine-for-ai-agents/ - 发布时间: 2025-11-28T03:48:21+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 Memori是一个开源的SQL原生记忆引擎，专为LLM和AI代理设计，通过明确的分层记忆架构解决代理“失忆”问题，实现跨会话上下文保持、多代理协作记忆共享，以及高效的更新与查询操作。这种分层设计模仿人类认知：短期工作记忆（Short-Term Memory, STM）处理即时上下文，长期记忆（Long-Term Memory, LTM）存储持久知识，并通过后台代理动态晋升关键信息，避免token爆炸和检索低效。 核心观点在于，Memori的hierarchical memory不依赖昂贵向量数据库，而是利用标准SQL（如SQLite、PostgreSQL）的全文搜索（FTS）和结构化表 schema，实现80-90%的成本节省，同时支持语义级检索和实体关系映射。这使得AI代理在多轮交互中能“记住”用户偏好、项目细节（如“用户在建FastAPI项目”），并在后续查询中自动注入相关上下文，提升响应一致性和智能性。 ### 分层记忆架构与代理协作 Memori的数据库schema明确定义了分层：`chat_history`存储原始对话，`short_term_memory`作为STM表（包含importance_score、frequency_score、recency_score、expires_at），`long_term_memory`作为LTM表（category、subcategory、retention_type、reasoning）。此外，还有`memory_entities`和`memory_relationships`表，支持实体提取和关系图谱。 工作流程分为三阶段： 1. **Pre-Call检索（Context Injection）**：通过LiteLLM回调拦截LLM调用。Conscious模式下，Conscious Agent一次性注入STM关键记忆（限3-5条，~150 tokens）；Auto模式下，Retrieval Agent针对用户查询执行智能搜索（semantic strategy，返回top-5，~250 tokens）。Combined模式结合两者，总tokens控制在250以内，避免context rot。 2. **Post-Call更新（Recording）**：Memory Agent使用OpenAI Structured Outputs + Pydantic提取实体、分类（facts/preferences/skills/rules/context），计算importance_score，存入LTM。全文索引（FTS5）确保O(1)级查询。 3. **后台晋升（Promotion）**：每6小时，Conscious Agent分析LTM模式（频率/时效/重要性），将essential memories提升至STM，并更新分析时间戳。 这种设计证据充分：架构图显示从App→Interceptor→DB→LLM的闭环，sequence diagrams详述agent交互。相比平坦向量存储，Memori的层级+索引（idx_memory_importance、idx_memory_timestamp）实现2-4x查询加速，且数据100%可移植（SQLite导出）。 在多代理场景，Memori通过namespace隔离用户/会话（如"production"），CrewAI/AutoGen示例展示共享记忆：代理群聊中，共同记忆用户技能，避免重复解释。Swarms集成支持persistent multi-agent memory。 ### 可落地参数与工程化清单 部署Memori仅需一行`memori.enable()`，但生产需精细调参。以下是核心配置清单： #### 1. 初始化参数（Memori.__init__） ``` memori = Memori( database_connect="postgresql://user:pass@localhost/memori", # 优先PostgreSQL池化20连接 conscious_ingest=True, # 启用STM，limit=3 auto_ingest=True, # 启用动态检索，limit=5，min_relevance=0.7 openai_api_key="sk-...", # Retrieval/Memory Agent模型，推荐gpt-4o-mini provider_config=ProviderConfig.from_azure(...) # Azure支持 ) ``` - **阈值调优**：`auto_ingest`中Retrieval Agent的relevance_scores阈值0.6-0.8，避免噪声；STM expires_at=7天，结合recency_score衰减（e^(-λt)，λ=0.02）。 - **Namespace**：`MEMORI_MEMORY__NAMESPACE="agent_team_1"`，多代理共享设相同值。 #### 2. 监控与回滚策略 - **Metrics**：追踪conversation volume、memory growth（db_size<1GB/月）、agent success rate（>95%）、context tokens（<4k）。 - **Health Check**： ``` def health_check(): return { "db_conn": db_manager.ping(), "stm_size": len(short_term_memory.query(limit=10)), "ltm_growth": get_stats_24h(), "modes": {"conscious": memori.conscious_ingest} } ``` - **Fallback**：Agent失败时降级至direct FTS搜索（limit=3）；DB断连指数退避重连。 - **Retention**：`retention_policy="30_days"`，自动清理low-importance LTM。 #### 3. 多代理集成示例（CrewAI） ``` from crewai import Agent, Task, Crew from memori import Memori memori = Memori(conscious_ingest=True, namespace="crew_shared") memori.enable() researcher = Agent(role="Researcher", goal="...", llm=OpenAI(), memory=True) # 自动用Memori # Crew共享memory via namespace crew = Crew(agents=[researcher, writer], tasks=[...]) result = crew.kickoff() ``` - **高效Ops**：更新O(1) via batch insert；查询<100ms（FTS+索引）；背景任务async不阻塞。 #### 4. 风险限界与优化 - **Perf瓶颈**：>10k memories时，升级PostgreSQL分片；Hybrid检索若需纯embedding，v3 beta集成。 - **一致性**：Namespace+ACID防冲突；错误时graceful degradation（禁用advanced features）。 - **成本**：无向量DB，1M tokens ~$0.3；监控token优化（essential+relevant）。 实际落地FastAPI多用户App：examples/multiple-users/fastapi_multiuser_app.py，Swagger测试跨会话记忆（如“上次认证用JWT”）。 Memori的分层引擎让AI代理从“健忘”变“长智”，特别适配enterprise multi-agent。参数化配置+监控，确保可靠扩展。 **资料来源**： - GitHub: https://github.com/GibsonAI/Memori - 架构文档: https://memorilabs.ai/docs/open-source/architecture ## 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。