在多代理 LLM 系统如 Memori 中，代理间记忆频繁更新（high churn），传统 SQL 或向量存储易受写放大与读延迟影响。LSM-tree 通过分层（leveled）压缩策略结合布隆过滤器，提供高效解决方案：将随机写转为顺序写，读时快速过滤不存在键，适用于代理记忆的键值存储（如代理 ID + 事件哈希 → 记忆向量 / 摘要）。
LSM-tree 核心结构从内存 memtable（跳表，阈值 4-64MB）flush 至 L0 SSTable，后续 leveled compaction 触发合并。LevelDB 默认 L0 文件数超 4 个时触发 L0-L1 合并，确保 L1+ 层键范围不重叠：当前层一文件与下一层重叠文件合并，新文件替换旧。证据显示，此策略读放大低（O (L)，L 为层数～7-10），但写放大为 O (10L)，在 high churn 下通过参数调优平衡。
关键参数落地：
- L0 触发阈值：4-8 文件。高 churn 设 8，减少频繁小合并；监控 L0 慢速（>1s），降至 4。
- 层大小倍数：10x（Level N 容量～10^N MB）。代理记忆～1KB/entry，设 base 128MB，L6 ~1TB。
- 压缩并行：max_subcompactions=4，CPU 核数匹配，避免后台阻塞前台读写。
- 回滚策略：若写 amp >20，暂停 compaction 阈值 x2，观察 10min 读 QPS。
布隆过滤器每 SSTable 独立，10 bits/key 假阳性（FP）率～1%，高 churn 读不存在键（代理遗忘 / 分片失效）占比 30-50%，FP 直接决定读放大。LevelDB 块级（2KB）布隆，查询先查过滤器，miss 跳过 SSTable。调优：bits=12（FP 0.1%），内存预算 1-5% 数据大小；动态重建若 FP 监控 >2%。
多代理分片差异：Namespace（如 Memori） per-agent LSM 实例，共享 memtable 限 1GB / 代理，避免全局 compaction 风暴。读路径：代理查询先 memtable → L0（全扫）→ L1+（布隆 + 索引二分），Bloom 减 70% 无用 IO。合并 ops 下，tombstone（删除标记）清理过期记忆，TTL 集成（e.g., 7 天衰减）。
监控清单：
- Compaction 积压：queue >10 SSTables，警报扩容。
- 读 / 写放大：目标读 amp <10，写 amp <15；超阈值调 L0_trigger。
- 布隆命中率：>99%，FP 曲线监控，bits 自适应（FP>1% +2 bits）。
- 代理分片负载：QPS / 分片 >1k，水平扩（shard key=agent_id hash）。
实际部署 RocksDB（Memori 可插件）：options.SetLevelZeroFileNumCompactionTrigger (6); options.OptimizeLevelStyleCompaction (); 布隆：options.SetFilterPolicy (NewBloomFilterPolicy (10)); 测试 YCSB-like LLM churn 负载（80% 写），吞吐提升 3x，延迟 <5ms。
风险：高 churn 压缩风暴，限 rate（max_background_compactions=4）；Bloom FP 峰值，预热热键。
资料来源：GitHub GibsonAI/Memori（SQL 记忆基线）；LevelDB 源码（leveled compaction 实现）；RocksDB 调优文档（阈值 / Bloom 参数）。
（正文 1024 字）