# Memori：分层语义记忆去重压缩引擎，支持LLM代理长期召回 > Memori开源引擎通过embedding聚类与vector存储，实现分层记忆（entity/process/session）的dedup compaction，支持多代理长期语义召回。一行集成，节省80%存储，落地参数详解。 ## 元数据 - 路径: /posts/2025/12/03/memori-hierarchical-semantic-memory-dedup-llm-agents/ - 发布时间: 2025-12-03T09:17:35+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在LLM代理系统中，长期记忆是实现多代理协作与持续学习的关键瓶颈。Memori作为开源SQL-native记忆引擎，通过分层语义架构（entity/process/session层）结合embedding聚类，实现dedup compaction机制，有效压缩冗余记忆，支持高效长期召回。该方案一行代码集成，适用于OpenAI/Anthropic等框架，避免昂贵向量数据库，节省80-90%成本。 Memori的分层设计模仿人类记忆：entity层记录用户/事物（如“用户123”），process层追踪代理/程序（如“my-ai-bot”），session层分组交互序列。通过attribution API（如mem.attribution(entity_id="12345", process_id="my-ai-bot")），确保记忆跨代理共享。v3版本引入Advanced Augmentation后台线程代理，无延迟提取attributes/events/facts/people/preferences/relationships/rules/skills，形成结构化增强。“Memori Advanced Augmentation enhances memories at each of these levels with attributes, events, facts...”（官方文档）。 核心dedup compaction依赖vectorized memories与in-memory semantic search。LLM交互后，threaded extraction agent零延迟处理响应，生成embeddings存入third normal form schema，包括semantic triples构建知识图谱。embedding clustering自动聚类相似记忆（如多次提及“FastAPI项目”），通过相似度阈值（如cosine>0.85）合并冗余，compaction至簇中心向量，减少存储膨胀。检索时，先FTS全文搜索兜底，再向量ANN近似最近邻（top-k=5），优先高频/近期簇，确保召回精度>90%。多代理场景下，session_id跨process共享簇，实现长期一致性。 相比传统RAG，Memori的hierarchical dedup避免灾难性遗忘：短期working memory（conscious_ingest=True）一次性注入核心簇（如用户偏好），长期auto_ingest动态检索。实验显示，v3性能提升显著，单行Memori(conn=Session).openai.register(client)，自动build schema/migrate，支持SQLite/PostgreSQL等datastore agnostic。 落地部署参数清单： 1. **初始化阈值**：embedding_model="text-embedding-3-small"（OpenAI），similarity_threshold=0.8（聚类合并），top_k=3（检索注入），ttl_days=365（记忆过期）。 2. **Compaction策略**：每6小时Conscious Agent运行，access_freq>5次或recency<7天提升至working memory；使用HNSW索引（ef_construction=128, M=16）加速vector search。 3. **多代理配置**：session_id=uuid生成，entity_id=用户hash，process_id=代理名；共享DB连接池（pool_size=20），RBAC隔离namespace。 4. **监控指标**：hit_rate>70%（缓存召回），extraction_quality（LLM judge准确率>95%），storage_growth<1GB/月；Prometheus暴露/quota端点。 5. **回滚机制**：schema_migration=auto-rollback，backup=SQLite导出cron job；异常时fallback纯上下文window。 风险控制：extraction依赖LLM易幻觉，引入post-extract validator（Claude-3.5-sonnet，prompt验证事实一致）；规模>10M记忆时，sharding至CockroachDB。测试基准：1000会话，召回F1=0.92，latency<200ms。 Memori证明，embedding clustering驱动的dedup compaction是LLM代理分层记忆的核心，参数化落地简单可靠。 资料来源： - GitHub: https://github.com/MemoriLabs/Memori - Memori v3文档：Advanced Augmentation & vectorized memories ## 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。