在多轮 AI 代理交互中，对话历史往往迅速膨胀，导致上下文窗口溢出、计算成本飙升以及响应延迟增加。Memori 作为一个开源的 SQL 原生内存引擎，通过一行代码即可为 LLM 注入持久、可查询的内存，支持 OpenAI、Anthropic 等框架，避免了昂贵的向量数据库依赖。根据官方文档，Memori 的核心在于拦截 LLM 调用，在预调用阶段注入相关上下文，并在后调用阶段提取实体并分类存储，从而实现高效的内存管理。这种架构天然适合扩展关键事件提取和层级摘要机制，以压缩扩展对话历史，确保高效上下文保留而不需完整存储。
关键事件提取是压缩对话历史的起点，它聚焦于从冗长交互中提炼核心元素，如实体（人名、项目）、事件（决策、任务）和关系（偏好、规则）。在 Memori 中，这由 Memory Agent 负责，该代理使用 Pydantic 结构化输出对每轮对话进行处理。首先，代理分析用户输入和 LLM 响应，识别高价值信息：例如，在一个 FastAPI 项目讨论中，它会提取 “用户偏好使用 JWT 认证” 作为规则实体，而非存储整个闲聊线程。证据显示，这种提取能将原始对话 token 从数千减少到数百，仅保留事实、技能和上下文分类。Memori 的 SQL 存储进一步优化了这一过程，通过全文搜索索引快速定位事件，支持跨会话关联。
要落地关键事件提取，可配置 Memori 的 Memory Agent 参数。初始化时，设置conscious_ingest=True启用短期工作内存注入，同时自定义提取提示模板，例如：“从以下对话中提取关键实体、事件和关系，仅输出 JSON 格式：{entities: [...], events: [...], relations: [...]}。” 阈值设置包括：实体最小置信度 0.8（使用 LLM 生成分数过滤低质提取），事件窗口大小为最近 5 轮对话（避免全局扫描延迟）。监控点：追踪提取命中率（目标 > 90%），若低于阈值，调整 LLM 模型为 gpt-4o-mini 以提升准确性。清单：1. 集成 LiteLLM 回调，确保代理拦截所有调用；2. 在 PostgreSQL 数据库中创建事件表（columns: id, entity_type, timestamp, content）；3. 每 100 轮交互运行验证查询，检查提取完整性。
层级摘要则构建在提取基础上，提供多层压缩，实现从详细记录到精要概述的递进。Memori 的 Conscious Agent 每 6 小时（可配置）分析长期内存模式，将提取的事件分层：底层为原始事件日志，中层为小结（e.g., “用户讨论了认证方案，偏好 JWT”），顶层为精要（e.g., “项目偏好：FastAPI+JWT”）。这一机制借鉴人脑情节记忆，证据来自 Memori 架构：代理促进重要内存到短期存储，避免重复注入。层级设计确保追溯性，每层摘要链接原始事件 ID，支持无损展开。
实施层级摘要需扩展 Conscious Agent 逻辑。配置auto_ingest=True结合动态搜索，在后台线程运行摘要链：使用 PromptTemplate“基于以下事件列表，生成 {level} 层摘要，保留关键决策和链接：{events}。” 参数包括：摘要触发阈值（总 token>2000 时启动），层级深度 3（底层 > 中层 > 顶层），最大摘要长度 200token / 层。监控策略：设置 Prometheus 指标跟踪摘要压缩比（目标 > 5:1），异常时回滚到上一层摘要。回滚清单：1. 若摘要引入幻觉（通过人工审计或一致性检查检测），恢复原始事件；2. 集成 LangChain 的 ConversationSummaryBufferMemory 作为备选，缓冲近期事件前摘要；3. 数据库中添加摘要版本控制（git-like diff），便于审计。
结合提取与摘要，Memori 实现端到端压缩：在多代理交互中，Retrieval Agent 动态召回层级摘要注入上下文，减少 80-90% 存储需求。风险包括细节丢失（缓解：保留锚点如用户明确指令，不摘要）和 LLM 依赖（优化：使用轻量模型如 gpt-4o-mini，成本控制 <0.01$/k token）。实际参数：数据库连接 “postgresql://user:pass@localhost/memori”，命名空间 “production”，背景分析间隔 3600s。优化清单：1. 测试长对话（>50 轮），验证上下文连贯性 > 95%；2. 集成错误处理，若提取失败默认 fallback 到滑动窗口（k=10）；3. 规模化时迁移到 Neon/Supabase，支持无服务器扩展。
总之，通过关键事件提取和层级摘要，Memori 有效解决长对话内存膨胀问题，支持高效 AI 代理部署。未来可探索与向量检索混合，提升语义召回精度。
资料来源：
- GitHub: https://github.com/GibsonAI/Memori
- Memori 官方文档：实体提取与代理架构描述。