Memori是一个开源的SQL原生记忆引擎，专为LLM和AI代理设计，通过明确的分层记忆架构解决代理“失忆”问题，实现跨会话上下文保持、多代理协作记忆共享，以及高效的更新与查询操作。这种分层设计模仿人类认知：短期工作记忆（Short-Term Memory, STM）处理即时上下文，长期记忆（Long-Term Memory, LTM）存储持久知识，并通过后台代理动态晋升关键信息，避免token爆炸和检索低效。
核心观点在于，Memori的hierarchical memory不依赖昂贵向量数据库，而是利用标准SQL（如SQLite、PostgreSQL）的全文搜索（FTS）和结构化表 schema，实现80-90%的成本节省，同时支持语义级检索和实体关系映射。这使得AI代理在多轮交互中能“记住”用户偏好、项目细节（如“用户在建FastAPI项目”），并在后续查询中自动注入相关上下文，提升响应一致性和智能性。
分层记忆架构与代理协作
Memori的数据库schema明确定义了分层：chat_history存储原始对话，short_term_memory作为STM表（包含importance_score、frequency_score、recency_score、expires_at），long_term_memory作为LTM表（category、subcategory、retention_type、reasoning）。此外，还有memory_entities和memory_relationships表，支持实体提取和关系图谱。
工作流程分为三阶段：
- Pre-Call检索（Context Injection）：通过LiteLLM回调拦截LLM调用。Conscious模式下，Conscious Agent一次性注入STM关键记忆（限3-5条，~150 tokens）；Auto模式下，Retrieval Agent针对用户查询执行智能搜索（semantic strategy，返回top-5，~250 tokens）。Combined模式结合两者，总tokens控制在250以内，避免context rot。
- Post-Call更新（Recording）：Memory Agent使用OpenAI Structured Outputs + Pydantic提取实体、分类（facts/preferences/skills/rules/context），计算importance_score，存入LTM。全文索引（FTS5）确保O(1)级查询。
- 后台晋升（Promotion）：每6小时，Conscious Agent分析LTM模式（频率/时效/重要性），将essential memories提升至STM，并更新分析时间戳。
这种设计证据充分：架构图显示从App→Interceptor→DB→LLM的闭环，sequence diagrams详述agent交互。相比平坦向量存储，Memori的层级+索引（idx_memory_importance、idx_memory_timestamp）实现2-4x查询加速，且数据100%可移植（SQLite导出）。
在多代理场景，Memori通过namespace隔离用户/会话（如"production"），CrewAI/AutoGen示例展示共享记忆：代理群聊中，共同记忆用户技能，避免重复解释。Swarms集成支持persistent multi-agent memory。
可落地参数与工程化清单
部署Memori仅需一行memori.enable()，但生产需精细调参。以下是核心配置清单：
1. 初始化参数（Memori.init）
memori = Memori(
database_connect="postgresql://user:pass@localhost/memori", # 优先PostgreSQL池化20连接
conscious_ingest=True, # 启用STM，limit=3
auto_ingest=True, # 启用动态检索，limit=5，min_relevance=0.7
openai_api_key="sk-...", # Retrieval/Memory Agent模型，推荐gpt-4o-mini
provider_config=ProviderConfig.from_azure(...) # Azure支持
)
- 阈值调优：
auto_ingest中Retrieval Agent的relevance_scores阈值0.6-0.8，避免噪声；STM expires_at=7天，结合recency_score衰减（e^(-λt)，λ=0.02）。
- Namespace：
MEMORI_MEMORY__NAMESPACE="agent_team_1"，多代理共享设相同值。
2. 监控与回滚策略
- Metrics：追踪conversation volume、memory growth（db_size<1GB/月）、agent success rate（>95%）、context tokens（<4k）。
- Health Check：
def health_check():
return {
"db_conn": db_manager.ping(),
"stm_size": len(short_term_memory.query(limit=10)),
"ltm_growth": get_stats_24h(),
"modes": {"conscious": memori.conscious_ingest}
}
- Fallback：Agent失败时降级至direct FTS搜索（limit=3）；DB断连指数退避重连。
- Retention：
retention_policy="30_days"，自动清理low-importance LTM。
3. 多代理集成示例（CrewAI）
from crewai import Agent, Task, Crew
from memori import Memori
memori = Memori(conscious_ingest=True, namespace="crew_shared")
memori.enable()
researcher = Agent(role="Researcher", goal="...", llm=OpenAI(), memory=True) # 自动用Memori
# Crew共享memory via namespace
crew = Crew(agents=[researcher, writer], tasks=[...])
result = crew.kickoff()
- 高效Ops：更新O(1) via batch insert；查询<100ms（FTS+索引）；背景任务async不阻塞。
4. 风险限界与优化
- Perf瓶颈：>10k memories时，升级PostgreSQL分片；Hybrid检索若需纯embedding，v3 beta集成。
- 一致性：Namespace+ACID防冲突；错误时graceful degradation（禁用advanced features）。
- 成本：无向量DB，1M tokens ~$0.3；监控token优化（essential+relevant）。
实际落地FastAPI多用户App：examples/multiple-users/fastapi_multiuser_app.py，Swagger测试跨会话记忆（如“上次认证用JWT”）。
Memori的分层引擎让AI代理从“健忘”变“长智”，特别适配enterprise multi-agent。参数化配置+监控，确保可靠扩展。
资料来源：