在多代理 LLM 系统（如 CrewAI 或 AutoGen）中，代理间记忆共享往往面临写放大、高并发读写与长期积累的挑战。Memori 项目通过 SQL 数据库构建的类日志结构化合并树（LSM-tree）机制，提供高效的持久化分层记忆层：对话日志顺序追加至 chat_history 表，形成 L0 层；经 Memory Agent 处理后归档至 long_term_memory，形成 L1+ 层；Conscious Agent 周期性合并提升至 short_term_memory，作为高速缓存层。这种设计借鉴 LSM 的分层写与有序合并，避免了 B-tree 的随机写瓶颈，实现多代理场景下 O(log N) 检索与 compaction。
核心观点在于：Memori 的“日志结构化”并非传统 SSTable，而是将 LLM 会话视为不可变日志追加，利用多代理协作实现分层 compaction 与检索优化。chat_history 表作为写日志，记录完整 user_input、ai_output、timestamp 与 namespace，支持多代理隔离（每个代理或用户独占 namespace）。Memory Agent 实时解析会话，提取实体（memory_entities 表）、关系（memory_relationships 表）与分类（facts、preferences、skills），计算 importance_score，存入 long_term_memory。架构中，short_term_memory 仅存高频精华，配备 recency_score、frequency_score 与 expires_at，支持 TTL 自动过期。
证据显示，这种分层在多代理系统中高效：例如 CrewAI 示例中，多个代理共享 namespace，Retrieval Agent 动态搜索 top-5 记忆注入上下文，减少 token 消耗 80%[GitHub Memori]。Conscious Agent 每 6 小时后台分析全量 long_term_memory，基于模式识别（如实体共现频率）提升至 short_term，模拟人类“工作记忆”优先级。数据库 schema 优化关键：FTS5 虚拟表跨 summary、entities 全文检索；复合索引 idx_memory_category、idx_memory_importance 加速过滤。实际部署中，PostgreSQL 连接池大小 20，批处理存储降低 I/O。
落地参数与清单需精确调优 compaction 与检索，避免内存膨胀或延迟。
Compaction 参数配置（Conscious Agent）：
- 触发周期：默认 6h，自定义 via trigger_conscious_analysis()，高负载降至 2h。
- 提升阈值：importance_score > 0.7（Pydantic 结构化输出，范围 0-1）；frequency_score > 3（过去 24h 提及次数）；recency_score = 1 - (age_days / 30)，保留 30 天内 >0.5。
- 容量限：short_term_memory 限 1000 条，超阈值强制降级（移回 long_term，置 retention_type='archived'）。
- 合并策略：实体关系强度 >0.6 时，融合 summary（如“用户偏好 Flask 而非 FastAPI”），减重冗余 40%。
- 回滚：分析失败 fallback 至纯 recency 排序，日志记录 MemoriError。
检索参数（Retrieval Agent & Auto Mode）：
- 查询限：limit=5，注入前 token 检查 <2000（essential 2 条 + relevant 3 条）。
- 搜索策略：semantic 先（query intent 解析），fallback 关键词；relevance_scores >0.6 过滤。
- 命名空间隔离：namespace='multi-agent-prod'，代理间共享仅显式允许。
- 缓存：Redis 辅助，TTL 1h，命中率目标 >70%。
- 监控点：Prometheus 指标 - memory_growth（DB 大小/日）、agent_success_rate（>95%）、context_tokens_avg（<300）。
多代理部署清单：
- 初始化：Memori(database_connect='postgresql://...', conscious_ingest=True, auto_ingest=True)，enable() 拦截 LiteLLM。
- Schema 建置：initialize_schema() 创表索引，FTS5 on long_term_memory。
- 代理协作：Memory Agent 后置处理；Retrieval 前置注入；Conscious 后台 celery/cron。
- 规模扩展：分表 namespace；读写分离（PostgreSQL replicas）；compaction 并行化（多 Conscious 实例）。
- 风险缓解：连接池 50，重连 backoff 指数（1s→60s）；API 限流 fallback gpt-4o-mini。
- 测试：模拟 10k 会话，验证 short_term 占比 <5%，检索延迟 <200ms。
此 LSM-like 设计在 Memori 中证明：SQLite 单机持 1M+ 记忆，PostgreSQL 集群超 10M，无 vendor lock-in。相比纯向量 DB，SQL 原生查询审计性强，成本降 90%。生产中，监控 short_term 命中率 >60%，否则调高提升阈值。
资料来源：
[1] https://github.com/GibsonAI/Memori
[2] https://memorilabs.ai/docs/open-source/architecture
（正文字数：1028）