Hotdry.
归档
ai-systems

Memori：多代理分层记忆同步的SQL原语与工程参数

Memori通过SQL-native分层记忆与低开销同步原语，支持多代理跨会话协作，提供关键配置与监控实践。

在多代理 LLM 系统中，记忆同步是核心瓶颈：代理间状态不一致导致重复劳动，跨会话记忆丢失造成上下文断裂，而传统向量数据库引入的高开销检索进一步放大 token 消耗和延迟。Memori 作为 SQL-native 分层记忆引擎，通过 hierarchical 记忆结构（短期意识层 + 长期自动层）和低开销同步原语（如 namespace 隔离 + SQL 事务），实现多代理协作下的持久记忆与高效协调，避免了向量 DB 的复杂性和成本。

Memori 的分层记忆与同步机制

Memori 的核心是双层记忆架构：**Conscious Mode（意识模式）** 模拟人类短期工作记忆，在会话启动时由 Conscious Agent 分析长期记忆，提取 5-10 条高频核心信息（如用户身份、项目上下文、技能偏好）一次性注入 prompt，避免重复注入开销；**Auto Mode（自动模式）** 则由 Retrieval Agent 在每次 LLM 调用前动态分析查询意图，从全库检索 3-5 条相关记忆注入，实现即时上下文补充。这种分层设计本质上是 hierarchical embeddings 的 SQL 实现：记忆先经 Memory Agent 结构化提取（分类为事实 / 偏好 / 技能 / 规则 / 上下文），Pydantic 验证后存入 SQL 表（带 embedding、metadata、timestamp），hybrid 检索结合关键词 + 向量 + 时间衰减，确保精确性和时效。

同步机制依赖 SQL 原语，低开销源于标准事务而非分布式向量同步：所有代理共享同一 DB 实例，通过namespace字段隔离租户 / 代理（如 "agent1_projectA"），读写用 ACID 事务保证一致性。Memori 的 Crypto Layer 用 AES-256-GCM 端到端加密，密钥用户持有，服务器无访问权，支持 GDPR 导出。相比向量 DB，SQL JOIN 查询毫秒级，50MB 内存即可边缘部署（Rust lite 版），高并发场景切换 PostgreSQL，利用行级锁和连接池（e.g., SQLAlchemy pool_size=20）处理 QPS>1000。

证据显示，这种设计在生产中显著降低延迟：Conscious 注入 <100ms，Auto 检索 < 200ms（Qdrant/SQLite-VSS 混合）。“Memori uses structured entity extraction, relationship mapping, and SQL-based retrieval to create transparent, portable, and queryable AI memory.” 跨代理协作时，共享 namespace 允许 Retrieval Agent 查询他人记忆，形成集体智能，而 Conscious Agent 后台（每 6h）优化层级，促进长期记忆上浮。

低开销同步原语的关键参数配置

落地 Memori 的多代理同步，核心是初始化参数与 DB 调优。基础代码：

from memori import Memori
from openai import OpenAI

memori = Memori(
    conscious_ingest=True,  # 启用短期意识层，一次性注入
    auto_ingest=True,       # 启用长期动态检索
    database_url="postgresql://user:pass@host:5432/memori_db",  # PG高并发，SQLite开发
    openai_api_key="sk-...",  # 或Ollama本地
    namespace="multi_agent_team"  # 共享namespace实现sync
)
memori.enable()  # 拦截所有LLM调用
client = OpenAI(); client.chat.completions.create(...)

同步原语参数详解：

  • namespace：字符串，代理组隔离键，格式 "team_agent_task"；多代理共享同一值实现协作，长度 < 64 避免索引溢出。
  • database_url：SQLite 单机（:memory: 或文件），PG 企业（添加？pool_size=20&max_overflow=10）；推荐 pgvector 扩展支持 hybrid embeddings。
  • conscious_threshold：默认 0.8，记忆重要性分数阈值（0-1），低值多注入增准确，高值减 token。
  • auto_top_k：检索 Top-3~5，结合 query_relevance>0.7 过滤，避免上下文污染。
  • ttl_days：记忆生命周期，默认 30 天，过期自动归档减库胀。
  • batch_size：写入批量 10，避免 SQL 锁；高吞吐设 50。

风险控制：embedding 模型漂移用 fixed model="text-embedding-3-small"；SQL 死锁用 retry=3，isolation_level="READ COMMITTED"。

多代理落地清单与监控实践

部署清单：

  1. 环境：pip install memorisdk openai psycopg2；Docker for PG+Qdrant（可选 hybrid）。
  2. 多代理集成：CrewAI/LangChain 中，每 Agent 实例化独立 Memori 共享 namespace；e.g., agent1=Memori (namespace="team"), agent2 同。
  3. 同步测试：模拟 2 代理：agent1 存 "项目用 FastAPI"，agent2 查 "认证实现"，验证注入。
  4. 规模化：>10 代理用 PG 读写分离，主库事务 sync，从库 Retrieval；namespace 分区表。
  5. 回滚：export_sqlite () 一键备份，手动 DELETE namespace 清理。

监控要点（Prometheus+Grafana）：

指标 阈值 告警
recall_latency <200ms P99>500ms
memory_count/namespace <10k 胀 > 50k 触发 TTL
sync_conflicts 0 >1 / 小时查锁
token_saving >70% 对比无 Memori baseline
hit_rate >85% Retrieval 相关性

异常处理：上下文中毒用 memory_score<0.5 过滤；高负载加缓存层（Redis 短期记忆）。

Memori 的 SQL 原语让多代理记忆从 “孤岛” 变 “协同大脑”，参数微调下，跨会话协调效率提升 3x，成本降 80%。实际中，结合 FastAPI 示例快速验证，SaaS 场景 namespace+JWT ACL 即 plug-and-play。

资料来源：

查看归档