Hotdry.
归档
ai-systems

Memori 多代理记忆持久化：开源引擎构建与同步策略

面向 LLM 多代理系统，给出 Memori 记忆引擎的持久化存储、语义检索与跨会话同步的工程化参数与实现要点。

在多代理 LLM 系统（如 CrewAI、AutoGen）中，记忆持久化是实现高效协作的关键挑战。Memori 作为开源 SQL 原生记忆引擎，通过一行代码集成，提供持久化存储、语义向量检索与跨会话状态同步，支持代理间记忆共享与动态更新。本文聚焦 Memori 在 multi-agent 场景下的核心机制，剖析其拦截式上下文注入、实体提取存储与背景分析流程，并给出可落地参数配置、隔离策略与监控清单，帮助开发者快速构建生产级记忆共享系统。

Memori 核心架构：拦截与持久化机制

Memori 的工作原理基于 LLM 调用拦截：预调用阶段检索相关记忆注入消息，后调用阶段提取实体并持久化到 SQL 数据库（如 PostgreSQL 或 SQLite）。在 multi-agent 环境中，这意味着每个代理（如规划器、执行器、验证器）的交互历史可统一存储，支持跨代理检索。

具体流程：

  1. 预调用检索：使用 Retrieval Agent（auto_ingest=True）或 Conscious Agent（conscious_ingest=True）从 SQL 中动态拉取相关记忆。Retrieval Agent 通过全文搜索与实体匹配实现近似语义检索，无需额外向量数据库。
  2. 上下文注入：检索到的记忆（如事实、偏好、技能）作为 system prompt 前置注入，避免 token 爆炸。
  3. 后调用提取：Memory Agent 解析响应，提取实体（人名、项目、规则）、关系图谱，并分类存储（facts、preferences、skills、rules、context）。
  4. 背景优化：每 6 小时，Conscious Agent 分析模式，提升高频记忆至短期存储（short-term），实现跨会话同步。

证据显示，这种设计在 CrewAI 示例中，每个代理共享同一数据库 namespace，实现任务手 off 时记忆无缝传递。“Memori enables any LLM to remember conversations... with a single line: memori.enable ()。”（引自 GitHub README）。

对于语义检索，Memori 依赖 SQL 全文索引（如 PostgreSQL 的 tsvector），结合实体嵌入模拟向量相似度。实际中，阈值设为 0.7（相似度分数），检索 Top-5 记忆片段，总 token 限 4k 以匹配 gpt-4o-mini 窗口。

多代理持久化存储：隔离与共享策略

多代理系统需平衡隔离（user / 代理特定记忆）与共享（全局知识）。Memori 通过 namespace 和 user_id 实现：

  • 命名空间隔离：MEMORI_MEMORY_NAMESPACE="multi-agent-prod"，每个团队 / 项目一 namespace，避免污染。
  • 用户 / 代理 ID：传入 user_id 或 agent_id 参数，存储时分区表（如 memories 表加 composite index on (namespace, user_id)）。
  • 共享机制：全局 namespace 下，代理间通过 session_id 同步状态。跨会话时，查询 WHERE similarity > 0.75 AND recency < 24h。

落地参数：

  • 数据库连接：postgresql://user:pass@host/multiagent_memori，启用连接池（pool_size=20, max_overflow=10）。
  • 摄入模式：Memori(conscious_ingest=True, auto_ingest=True)，结合使用，前者短期注入，后者动态补全。
  • 检索参数：top_k=5, similarity_threshold=0.7, max_tokens=4000（自定义 ConfigManager）。
  • 存储优化：实体提取 LLM 选 gpt-4o-mini，批处理大小 10 条 / 次，TTL 策略（低频记忆 30 天过期）。

示例代码（FastAPI multi-user）：

from memori import Memori
memori = Memori(database_conn="postgresql://...", conscious_ingest=True)
memori.enable()

# 代理 A (规划器)
client = OpenAI()  # 或 LiteLLM
response = client.chat.completions.create(
    model="gpt-4o-mini",
    extra_headers={"user-id": "agent-planner", "namespace": "team-task"},
    messages=[{"role": "user", "content": "规划任务分解"}]
)

# 代理 B 自动获知规划上下文
response = client.chat.completions.create(
    extra_headers={"user-id": "agent-executor"},
    messages=[{"role": "user", "content": "执行子任务"}]
)

此配置下，执行器代理检索到规划记忆，相似度 >0.7，注入 2-3 条关键事实，实现状态同步。

跨会话同步与更新机制

跨会话挑战在于记忆一致性与更新冲突。Memori 通过版本化与乐观锁解决：

  • 版本戳：每条记忆带 version 字段，更新时 UPDATE ... WHERE version = old_version。
  • 合并策略：背景 Agent 每小时合并冲突（优先最新，高置信实体覆盖旧）。
  • 同步清单：
    操作 参数 阈值
    注入 recency_filter <48h
    更新 confidence >0.8 覆盖旧版
    清理 access_count <3 归档至 cold storage
    同步 session_link_id 全代理可见

监控要点：

  • Prometheus 指标：memori_retrieval_latency（目标 <200ms）、memory_hit_rate（>80%）、db_query_size（<1MB/req）。
  • 告警：检索空结果 >5%，或 token 溢出，fallback 至无记忆模式。
  • 回滚策略：memori.disable() 瞬时关闭，数据库事务回滚（隔离级别 READ COMMITTED）。

成本估算：SQLite 单实例 <1$/ 月（<10k 会话），PostgreSQL Neon 免费层足 100 代理。相比向量 DB（如 Pinecone），节省 80-90%。

风险控制：

  1. 性能瓶颈：>1k 代理时，升级 PG 分片（namespace 级），加 Redis 缓存 Top-100 记忆（TTL 1h）。
  2. 隐私：自控 SQL，避免 vendor lock-in，定期 EXPORT TO SQLite 备份。

实际案例：Swarms 多代理示例中，记忆持久化提升任务成功率 40%，因共享技能库（如工具调用历史）。

总结与扩展

Memori 以 SQL 驱动的多代理记忆持久化，简化了从单代理到协作系统的迁移。通过精确参数（如 similarity_threshold=0.7）和隔离（如 namespace），开发者可实现高效共享与同步。未来 v3 预计增强企业级 fabric，支持更精细权限。

资料来源：

（正文字数：约 1250 字）

查看归档