# Memori 多代理分层记忆引擎：语义去重压缩与持久上下文同步工程实践 > Memori 开源引擎的分层存储与语义去重机制，支持 multi-agent LLM 持久上下文同步，提供阈值调优、监控参数与多代理落地清单。 ## 元数据 - 路径: /posts/2025/12/02/memori-multi-agent-hierarchical-dedup/ - 发布时间: 2025-12-02T18:09:50+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 Memori 作为开源 SQL 原生记忆引擎，专为 LLM、AI 代理及多代理系统设计，通过分层存储与语义去重机制，实现持久上下文的跨会话同步与高效检索，避免传统向量数据库的高成本与锁定问题。在多代理场景下，代理间记忆共享易导致冗余膨胀与不一致，Memori 采用短期工作记忆（Conscious Mode）与长期动态检索（Auto Mode）结合，利用 namespace 隔离与后台 compaction，确保上下文高效同步。 分层存储是 Memori 的核心架构，模仿人类记忆分层：短期记忆（working memory）存储高优先级上下文，约 7 天有效期；长期记忆持久化事实、偏好、技能、规则与实体关系。Conscious Agent 每 6 小时后台运行，分析模式将“conscious-info”标签记忆从长期提升至短期，一次性注入 LLM 上下文，实现低延迟访问。证据显示，在 CrewAI 多代理示例中，此机制让代理共享项目状态，避免重复工具调用；AutoGen 群聊中，namespace 确保用户级隔离，记忆不泄露。 语义去重压缩聚焦存储与检索优化。Memory Agent 在 post-call 阶段提取实体并分类，Conscious Ingest 时批量复制前执行去重，避免短期记忆冗余。检索采用多阶段 hybrid 策略：阶段 1 FTS 全文本搜索（score=1.0）；阶段 2 分类匹配（score=0.6）；阶段 3 LIKE 模糊兜底（score=0.4），最终 composite score 排序取 top-5。该策略在多代理协作中压缩 token 消耗 80-90%，如 Swarms 示例中，代理间同步仅注入相关事实，减少上下文污染。 多代理 LLM 持久上下文同步依赖 namespace 与 interceptor。初始化时设置 `MEMORI_MEMORY_NAMESPACE="agent-group-1"`，多代理共享同一 DB 表但 user_id 隔离；enable() 后，client.chat.completions.create 自动拦截、注入、记录。证据：在 FastAPI 多用户 App 示例，RBAC + namespace 实现代理间 sync，无需手动传递状态；在 Azure AI Foundry 集成，企业代理集群下，PostgreSQL 连接 `postgresql://user:pass@host/memori` 支持高并发读写。 工程落地参数与清单如下，提供可复制配置： **1. 初始化配置（combined mode）** ``` from memori import Memori memori = Memori( database_connect="sqlite:///memori.db", # 生产用 PostgreSQL conscious_ingest=True, # 短期注入 auto_ingest=True, # 动态检索 openai_api_key="sk-...", # 或 env memory_namespace="multi-agent-prod" # 代理组隔离 ) memori.enable() ``` 阈值调优：检索 limit=3-7（默认 5，代理多时减至 3 防 token 爆）；后台间隔 4-8h（默认 6h，高频场景 4h）。 **2. 检索参数清单** | 参数 | 默认 | 调优建议 | 场景 | |------|------|----------|------| | search_limit | 5 | 3 (高并发代理) | Multi-agent sync | | fts_score | 1.0 | ≥0.8 | 精确匹配优先 | | category_score | 0.6 | 0.5-0.7 | 偏好/规则检索 | | like_score | 0.4 | ≤0.3 | 兜底阈值防噪声 | | composite_weight | FTS:0.4, Cat:0.3, Recency:0.3 | Recency↑ (实时代理) | 动态排序 | **3. 去重压缩清单** - 存储前：实体提取 + 分类（facts/preferences/skills/rules） - 复制时：_copy_memory_to_short_term 内 hash 去重 - Compaction：Conscious Agent 标记 processed，TTL 7 天短期表 - 规模化：PostgreSQL + pg_trgm 扩展 FTS，索引 `CREATE INDEX ON memories USING GIN (to_tsvector('english', content));` **4. 多代理集成清单** - CrewAI：`memori.enable()` 前置，共享 namespace - AutoGen：groupchat 中注入 `Retrieval Agent` - Swarms：persistent memory via DB sync - 回滚：`memori.disable()` 或 env `MEMORI_CONSCIOUS_INGEST=False` 监控要点：Prometheus 采集 SQL 查询 p95 <100ms，记忆命中率 >80%，token 节省监控（pre/post inject 对比）。风险：记忆爆炸设 TTL=30 天长期表；不一致用 version 列乐观锁。生产部署 Docker + Neon/Supabase，成本 < vector DB 10%。 Memori 的分层去重与 sync 机制，让 multi-agent 系统从“孤岛”转向“集体智能”，落地门槛低，值得工程实践。 **资料来源**： [1] https://github.com/GibsonAI/Memori (架构与示例) [2] Memori 文档：docs/architecture.md (代理与模式详解) ## 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。