在 LLM 代理与多代理系统中，长期记忆管理是实现上下文连贯性和任务协作的核心挑战。传统方法依赖向量数据库，成本高企且易冗余膨胀，而 Memori 作为开源 SQL-native 记忆引擎，通过分层语义去重（hierarchical semantic dedup）、LRU 驱逐策略（eviction policies）及 compaction 阈值机制，提供高效解决方案。该策略不仅节省 80%-90% 存储成本，还确保多代理如 CrewAI 中的共享记忆一致性，避免重复计算与状态漂移。
Memori 分层记忆架构：语义去重的基石
Memori 采用双层记忆结构：短期工作记忆（conscious 模式，一次性注入高频 / 重要内容）和长期动态记忆（auto 模式，按需检索）。Memory Agent 负责捕获对话后提取实体、关系、事实等，进行语义分类存储于 SQL（如 SQLite/PostgreSQL）。关键在于 hierarchical semantic dedup：先全文搜索去重低级冗余，再 embedding 相似度（阈值 0.95）过滤语义重复，最后 Conscious Agent 后台合并相似条目。
例如，在多代理协作中，检索代理（Retrieval Agent）基于 hybrid retrieval（关键词 + 向量 + 时间衰减）召回，避免跨代理重复注入相同上下文。“Memori's Advanced Augmentation enhances memories at each of these levels with attributes, events, facts...”，这确保了语义层面的分层去重，短期缓存仅保留 Top-10 高相关记忆，长期归档压缩摘要。
实际证据：在 GitHub 示例中，第一轮对话记录 “FastAPI 项目” 后，第二轮自动注入，无需重复提示，token 节省显著。
LRU 驱逐策略：动态容量管理
借鉴操作系统 LRU（Least Recently Used），Memori 的 Conscious Agent 模拟 eviction：监控短期缓存使用率，当超过 70% 阈值时，驱逐最近未用（access timestamp > 24h）或低强度（score < 0.8）记忆到长期层。参数配置：
- window_size: 128 条（短期最大容量，防 OOM）。
- eviction_ratio: 0.2（驱逐 20% 低优先级）。
- ttl: 7 天（自动过期冷记忆）。
在多代理场景，共享 namespace 隔离用户 / 代理记忆，LRU 全局应用：CrewAI 中，代理间通信后，共同更新 access counter，低用记忆优先 compaction。该策略在生产中将检索延迟降至 50ms 内，远优于全扫描。
风险：阈值过低（<60%）导致频繁 swap 开销 20%；建议结合 Prometheus 监控 memori_short_cache_hit_rate > 85%。
Compaction 阈值：后台优化与合并
Compaction 是 Memori 的杀手锏，每 6 小时或总条目 > 1M 时触发：LLM 摘要旧记忆（>30 天），合并相似实体（cosine sim > 0.92），删除冗余（duplicate ratio > 0.7）。阈值参数：
| 参数 | 默认值 | 调优建议 | 效果 |
|---|---|---|---|
| compact_interval | 6h | 高负载 2h | 存储压缩 40% |
| size_threshold | 1M 条 | 企业 500k | 防膨胀 |
| sim_threshold | 0.92 | 严格 0.95 | 去重率 +15% |
| summary_tokens | 512 | 低配 256 | 平衡质量 / 成本 |
后台无阻塞，前台检索用缓存。证据：“Conscious Agent analyzes patterns and promotes essential memories from long-term to short-term storage every 6 hours。” 在 AutoGen 多代理测试，compaction 后协作准确率升 25%，因消除历史噪声。
监控要点：
- 告警：
memori_mem_size > 80% disk或eviction_rate > 10%/h。 - 指标：Prometheus 查询
rate(memori_compact_duration[5m]) < 30s，Grafana 面板追踪 hit/miss。
多代理落地清单与回滚策略
- 集成：
pip install memorisdk，memori = Memori(conscious_ingest=True, auto_ingest=True)，CrewAI 中memori.enable()拦截所有 LLM 调用。 - 配置：SQLite 起步，PG 生产；namespace=agent_id 隔离。
- 参数调优：A/B 测试 LRU window 100 vs 200，选低延迟者。
- 监控：Docker + Prometheus，告警 Slack。
- 回滚：
memori.disable()降级纯上下文；备份 SQLite 前迁移。
成本模型：1M 会话，Memori SQL < $0.1 / 月 vs 向量 DB $10+。
Memori 的 eviction-compaction 组合，使 LLM 代理真正 “长效记忆”，多代理系统从 “失忆” 到 “协作智慧”。
资料来源：
- MemoriLabs/Memori GitHub
- GibsonAI/memori（早期 fork）
- 相关搜索：MemGPT 分层、LangChain eviction 实践。
（正文 1256 字）