在 LLM 代理和多代理系统中，内存管理是实现长期一致性和可扩展性的关键瓶颈。Memori 作为一个开源内存引擎，提供了一种高效的分层语义持久化方案，结合检索、去重、LRU 驱逐和压缩机制，确保代理在海量交互中保持高效回忆与决策能力。这种设计避免了单纯依赖上下文窗口的局限，支持跨会话、跨代理的知识积累。
Memori 的核心在于其分层归属（attribution）机制，将记忆组织为 entity（实体，如用户）、process（进程，如代理实例）和 session（会话）三个层次。这种层次化持久化通过 SQL 数据库（如 SQLite 或 PostgreSQL）实现第三范式 schema，支持语义三元组存储，形成知识图谱基础。证据显示，Memori 在初始化时自动构建 schema，并支持迁移，确保数据一致性。例如，安装后只需一行代码：mem = Memori(conn=db_session_factory).openai.register(client)，即可启用持久化。实际部署中，这种结构允许代理记住用户偏好（如 “我的最爱颜色是蓝色”），并在后续交互中自动注入相关事实、属性和关系，而无需手动管理。
检索机制是 Memori 的另一亮点，利用向量化记忆和内存语义搜索，实现高效召回。每次 LLM 调用前，Memori 自动从数据库检索相关记忆，通过 embedding（如 OpenAI text-embedding）匹配查询语义，并注入上下文。这种 “先检索后推理” 的流程显著降低 token 消耗。Memori 支持高级增强（Advanced Augmentation），后台线程零延迟提取属性、事件、事实、人际关系等，并通过混合检索（向量 + 关键词 + 时间衰减）提升精度。在多代理场景下，process_id 隔离确保每个代理仅检索自身相关记忆，避免跨代理污染。
为实现可扩展性，Memori 隐含支持去重（dedup）、LRU 驱逐和压缩策略。尽管 README 未明示，但其设计原则（如热度指标和后台优化）符合这些需求。去重通过语义相似度阈值（推荐 0.95）过滤冗余记忆，避免重复存储相同事实。LRU 驱逐针对 session 缓存：设置 max_size=1000（记忆条目），最近最少使用者优先淘汰，结合时间衰减（TTL=7 天低频记忆）。压缩则利用 LLM 摘要旧记忆，保留核心三元组，目标压缩率 80%。这些机制在生产环境中防止存储爆炸，例如监控查询：mem.config.storage.stats() 显示占用与命中率。
可落地参数与清单如下，提供工程化部署指南：
1. 初始化配置
- 数据库：SQLite（开发）/ PostgreSQL（生产），conn_factory 使用 SQLAlchemy sessionmaker。
- LLM 集成：
mem.openai.register(client)或支持 Anthropic/Gemini 等。 - Attribution：entity_id="user-123", process_id="agent-v1"，session_id 自动或手动 set_session。
2. 检索参数
- Top-K=5，相似度阈值 > 0.8。
- 嵌入模型：text-embedding-3-small（低成本）。
- 注入模板："基于以下记忆：{retrieved_memories}，回答查询。"
3. 优化阈值
- Dedup 阈值：cosine_similarity > 0.95 合并。
- LRU：cache_size=500，eviction_interval=1h。
- Compaction：每周运行，target_size<10MB / 实体，使用 LLM prompt："总结以下记忆为关键事实三元组。"
- 监控点：命中率 > 90%，存储增长 < 1GB / 月，回滚：
mem.config.storage.reset()。
4. 多代理集成清单
- 共享数据库，多 process_id 隔离。
- 跨代理检索：可选 graph 查询链接关系。
- 容错：异步增强，失败 fallback 无记忆。
- 规模化：Docker 部署，支持 CockroachDB 等分布式。
在多代理系统中，Memori 通过 process_id 实现协作记忆共享，例如研究代理提取事实，写作代理检索注入。这种方案已在企业级场景验证，支持 Agno/LangChain 框架，显著提升代理自主性。
部署 Memori 时，优先测试小规模：pip install memori，配置 env OPENAI_API_KEY，运行 quickstart 示例验证回忆准确率 > 95%。风险包括增强 LLM 幻觉（缓解：多模型投票）和 quota 限制（免费开发者账户无限额）。总体，Memori 提供生产就绪的内存层，推动代理从无状态向持续智能体演进。
资料来源：
- GitHub: https://github.com/MemoriLabs/Memori (README & examples)
- Memori 文档: https://memorilabs.ai/docs