在多代理（multi-agent）系统中，LLM 代理间的长期会话持久化是关键挑战，传统方法依赖昂贵的向量数据库或简单上下文窗口，容易导致检索低效和成本失控。Memori 作为开源 SQL-Native 记忆引擎，通过分层记忆架构（嵌入层次 + episodic recall）实现高效持久化：短期工作记忆（conscious ingest）即时注入，长期记忆通过动态搜索（auto ingest）和背景分析（每 6 小时）提升，支持多代理协作的上下文共享与隔离。这种设计避免了 vendor lock-in，用户完全掌控 SQL 数据库（如 PostgreSQL），并以一行代码 memori.enable() 拦截 LLM 调用，实现预注入上下文与后提取实体。
分层记忆的核心机制：嵌入层次与 episodic recall
Memori 的记忆分层类似于人类认知：短期层（conscious mode） 处理即时 episodic（事件式）回忆，直接注入最近交互；长期层（auto mode） 通过全文本搜索和实体提取实现高效检索。结合使用时，系统先 conscious 注入高优先级记忆（如代理偏好、规则），再 auto 动态拉取相关历史，避免上下文爆炸。
工程证据：在多代理框架如 CrewAI 或 AutoGen 中，Memori 拦截 client.chat.completions.create，从 SQL 表（conversations, entities, relationships）检索相关记忆。例如，代理 A 的技能描述存储为事实类型，代理 B 查询时自动召回，形成协作链。“Memori enables any LLM to remember conversations... with a single line: memori.enable()。”这种拦截架构确保 episodic recall 延迟 < 100ms（SQLite 本地），远优于向量 RAG。
可落地参数配置：
- 记忆模式组合：
Memori(conscious_ingest=True, auto_ingest=True)，conscious 限 5-10 条记忆（阈值 via max_context_tokens=4000），auto 搜索 top-k=3-5。
- Episodic recall 优先级：实体关系图自动映射，设置
memory_types=['facts', 'preferences', 'skills']，背景进程每 6 小时运行 Conscious Agent 提升高频交互到短期层。
- 检索优化：SQL 全文本索引（PostgreSQL ts_vector），查询阈值
similarity_threshold=0.7，过滤低相关 episodic 片段。
Multi-Agent 长期会话持久化：命名空间隔离与共享
针对 multi-agent，Memori 通过 memory_namespace 实现代理/用户隔离，支持共享子空间。例如，群聊中每个代理有独立 namespace（如 "agent-crewai-001"），全局共享 "team-knowledge"。这确保长期会话（>100 轮）不丢失上下文，同时防止跨代理污染。
实现清单：
- 初始化隔离：
memori = Memori(
database_conn="postgresql://user:pass@localhost/memori",
memory_namespace="multi-agent-team",
agents_openai_api_key="sk-..."
)
memori.enable()
- 代理注册：为每个代理设置子 namespace，如
config.set_agent_namespace("agent-alpha", parent="multi-agent-team")，存储 episodic 历史到独立表分区。
- 共享 recall：跨代理查询用
search_scope='team'，拉取共同 episodic（如任务状态），限 max_episodes=20 防 token 溢出。
- 持久化参数：
| 参数 |
值 |
作用 |
user_id |
UUID per session |
会话隔离 |
session_timeout |
24h |
过期清理 |
max_memory_age |
30 days |
长期保留 |
prune_threshold |
0.3 relevance |
自动删低质 episodic |
在 FastAPI 多用户示例中，这种隔离支持 100+ 并发代理，SQL 查询 QPS > 500，无需 Redis 缓存。风险控制：监控 context_length 超 80% 时 fallback 到 auto-only，背景进程 CPU 限 10%（cron 调度）。
高效检索与监控要点
Memori 的 SQL-native 检索胜过向量 DB：实体提取（NER）后建关系图，episodic recall 用 SQL JOIN（如 SELECT * FROM conversations c JOIN entities e ON c.id=e.conv_id WHERE similarity(c.text, query) > 0.7）。成本节约 80-90%，因无 embedding 调用。
监控清单：
- 指标：
ingest_rate (TPS)、recall_hit_rate (>90%)、db_size_growth (<1GB/月)。
- 告警阈值：检索延迟 >200ms → 索引重建；记忆膨胀 >10k/代理 → prune 低频 episodic。
- 回滚策略：
dry_run=True 测试注入；多 DB 镜像（主从 PG），故障时 database_conn 切换 <1s。
- 性能调优：SQLite 适合 POC（<10 代理），PG/MySQL 生产（分区表，按 namespace shard）。
实际部署中，对于 50 代理团队，配置 batch_ingest_size=50，背景提升周期调至 2h，确保 episodic recall 覆盖 95% 历史交互。相比 LangGraph 等，Memori 无框架绑定，易迁移。
此方案已在 Swarms、CrewAI 示例验证，支持 Azure/DO 等云 DB。总体，Memori 分层记忆提供生产级 multi-agent 持久化，参数化配置确保可规模化。
资料来源：