# Memori：多代理 LLM 系统中的日志结构化合并树持久化记忆层 > 借鉴 LSM 树思想，Memori 实现多代理 LLM 的可扩展持久化分层记忆，提供 compaction 参数、检索阈值与多代理协作清单。 ## 元数据 - 路径: /posts/2025/11/29/memori-log-structured-merge-multi-agent-memory-layers/ - 发布时间: 2025-11-29T14:18:32+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在多代理 LLM 系统（如 CrewAI 或 AutoGen）中，代理间记忆共享往往面临写放大、高并发读写与长期积累的挑战。Memori 项目通过 SQL 数据库构建的类日志结构化合并树（LSM-tree）机制，提供高效的持久化分层记忆层：对话日志顺序追加至 chat_history 表，形成 L0 层；经 Memory Agent 处理后归档至 long_term_memory，形成 L1+ 层；Conscious Agent 周期性合并提升至 short_term_memory，作为高速缓存层。这种设计借鉴 LSM 的分层写与有序合并，避免了 B-tree 的随机写瓶颈，实现多代理场景下 O(log N) 检索与 compaction。 核心观点在于：Memori 的“日志结构化”并非传统 SSTable，而是将 LLM 会话视为不可变日志追加，利用多代理协作实现分层 compaction 与检索优化。chat_history 表作为写日志，记录完整 user_input、ai_output、timestamp 与 namespace，支持多代理隔离（每个代理或用户独占 namespace）。Memory Agent 实时解析会话，提取实体（memory_entities 表）、关系（memory_relationships 表）与分类（facts、preferences、skills），计算 importance_score，存入 long_term_memory。架构中，short_term_memory 仅存高频精华，配备 recency_score、frequency_score 与 expires_at，支持 TTL 自动过期。 证据显示，这种分层在多代理系统中高效：例如 CrewAI 示例中，多个代理共享 namespace，Retrieval Agent 动态搜索 top-5 记忆注入上下文，减少 token 消耗 80%[GitHub Memori]。Conscious Agent 每 6 小时后台分析全量 long_term_memory，基于模式识别（如实体共现频率）提升至 short_term，模拟人类“工作记忆”优先级。数据库 schema 优化关键：FTS5 虚拟表跨 summary、entities 全文检索；复合索引 idx_memory_category、idx_memory_importance 加速过滤。实际部署中，PostgreSQL 连接池大小 20，批处理存储降低 I/O。 落地参数与清单需精确调优 compaction 与检索，避免内存膨胀或延迟。 **Compaction 参数配置（Conscious Agent）：** - 触发周期：默认 6h，自定义 via trigger_conscious_analysis()，高负载降至 2h。 - 提升阈值：importance_score > 0.7（Pydantic 结构化输出，范围 0-1）；frequency_score > 3（过去 24h 提及次数）；recency_score = 1 - (age_days / 30)，保留 30 天内 >0.5。 - 容量限：short_term_memory 限 1000 条，超阈值强制降级（移回 long_term，置 retention_type='archived'）。 - 合并策略：实体关系强度 >0.6 时，融合 summary（如“用户偏好 Flask 而非 FastAPI”），减重冗余 40%。 - 回滚：分析失败 fallback 至纯 recency 排序，日志记录 MemoriError。 **检索参数（Retrieval Agent & Auto Mode）：** - 查询限：limit=5，注入前 token 检查 <2000（essential 2 条 + relevant 3 条）。 - 搜索策略：semantic 先（query intent 解析），fallback 关键词；relevance_scores >0.6 过滤。 - 命名空间隔离：namespace='multi-agent-prod'，代理间共享仅显式允许。 - 缓存：Redis 辅助，TTL 1h，命中率目标 >70%。 - 监控点：Prometheus 指标 - memory_growth（DB 大小/日）、agent_success_rate（>95%）、context_tokens_avg（<300）。 **多代理部署清单：** 1. 初始化：Memori(database_connect='postgresql://...', conscious_ingest=True, auto_ingest=True)，enable() 拦截 LiteLLM。 2. Schema 建置：initialize_schema() 创表索引，FTS5 on long_term_memory。 3. 代理协作：Memory Agent 后置处理；Retrieval 前置注入；Conscious 后台 celery/cron。 4. 规模扩展：分表 namespace；读写分离（PostgreSQL replicas）；compaction 并行化（多 Conscious 实例）。 5. 风险缓解：连接池 50，重连 backoff 指数（1s→60s）；API 限流 fallback gpt-4o-mini。 6. 测试：模拟 10k 会话，验证 short_term 占比 <5%，检索延迟 <200ms。 此 LSM-like 设计在 Memori 中证明：SQLite 单机持 1M+ 记忆，PostgreSQL 集群超 10M，无 vendor lock-in。相比纯向量 DB，SQL 原生查询审计性强，成本降 90%。生产中，监控 short_term 命中率 >60%，否则调高提升阈值。 资料来源： [1] https://github.com/GibsonAI/Memori [2] https://memorilabs.ai/docs/open-source/architecture （正文字数：1028） ## 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。