Memori是一个开源的SQL原生记忆引擎，专为LLM和AI代理设计，通过分层存储和嵌入检索实现持久化、可查询的记忆系统。它避免了昂贵的向量数据库，转而利用标准SQL数据库（如SQLite、PostgreSQL）结合智能代理，提供高效的上下文注入和记忆管理。核心创新在于双模记忆（conscious和auto）和多代理架构，支持跨会话学习，同时保持数据完全可控。
分层存储架构：短期与长期记忆分离
Memori采用分层存储设计，模拟人类记忆机制：短期记忆（short_term_memory表）用于高频访问的“工作记忆”，长期记忆（long_term_memory表）存储全部处理后的对话。chat_history表记录原始对话，memory_entities和memory_relationships表捕获实体与关系。
关键表结构包括：
- short_term_memory：存储promoted记忆，字段如importance_score、frequency_score、recency_score、expires_at。Conscious Agent每6小时分析模式，将高价值记忆从长期提升至短期。
- long_term_memory：完整记忆，含category、subcategory、retention_type、reasoning字段。
- 索引优化：FTS5全文搜索虚拟表，结合idx_memory_category、idx_memory_importance等复合索引，确保查询O(1)级响应。
这种分层避免了单表膨胀，支持版本化通过timestamp和id追踪变更。部署时，优先SQLite:///my_memory.db用于开发，生产切换postgresql://user:pass@localhost/memori。
嵌入检索机制：混合语义搜索
Memori不依赖专用向量DB，而是用SQL FTS结合Retrieval Agent实现嵌入式检索。Retrieval Agent分析查询意图，生成语义向量（支持OpenAI/Ollama embedding），然后在FTS索引上执行hybrid search：全文匹配+向量相似度+时间衰减。
检索流程：
- 查询嵌入生成（gpt-4o-mini）。
- DB搜索：limit=5，namespace隔离，relevance_scores排序。
- 注入messages前3-5条最相关记忆，总tokens控制在250内。
参数调优：
- min_relevance=0.7：过滤低质结果。
- embedding_model="text-embedding-3-small"：成本低、维度1536。
- cache_ttl=300s：热门查询复用。
相比纯向量DB，Memori节省80-90%成本，检索延迟<100ms（100k记忆规模）。
多代理协作：智能记忆处理
三个专用代理分工：
- Memory Agent：post-call提取实体、分类（facts/preferences/skills/rules），Pydantic结构化输出。
- Conscious Agent：后台（cron 6h）分析patterns，促进essential memories，提升召回率20%。
- Retrieval Agent：auto_ingest模式下动态搜索。
初始化：
from memori import Memori
memori = Memori(
database_connect="sqlite:///memory.db",
conscious_ingest=True,
auto_ingest=True,
openai_api_key="sk-..."
)
memori.enable()
低开销同步原语
Memori使用SQL ACID事务确保同步一致，低开销通过：
- 连接池（pool_size=20）。
- 异步后台处理（background threads）。
- 命名空间（namespace="production"）多租户隔离。
- 备份：直接SQLite dump，或pg_dump。
回滚策略：异常时fallback基本FTS搜索，禁用advanced agents。
工程化部署清单
- 环境：Python 3.8+，pip install memorisdk openai litellm。
- 配置（memori.json优先级最高）：
{
"database": {"connection_string": "postgresql://...", "pool_size": 20},
"agents": {"model": "gpt-4o-mini", "api_key": "sk-..."},
"memory": {"namespace": "agent1", "retention_days": 30}
}
- 监控：日志structured，metrics包括memory_growth、retrieval_latency。
- 规模化：Neon/Supabase serverless PG，水平分片namespace。
- 测试：examples/basic_usage.py验证注入，query DB确认存储。
- 安全：AES加密敏感字段，GDPR导出SQL dump。
实际案例：FastAPI多用户app中，Memori隔离user namespace，自动注入项目偏好，响应一致性提升90%。
Memori证明SQL足以支撑hierarchical embedding memory，参数化部署让单代理从“失忆”变“长记”。未来结合Ollama本地embedding，进一步降本。
资料来源：GitHub GibsonAI/Memori，官方docs/architecture（2025-11访问）。"Memori works with any SQL database... automatic entity extraction"（GitHub README）。
（正文约1250字）