Memori：给 AI Agent 装上「记忆」

Memori 是由 Memori Labs 开发的开源记忆基础设施，专为 AI Agent 打造。它解决了大型语言模型最大的痛点之一：对话一结束，AI 就把所有事情忘得一干二净。Memori 用结构化的方式持续记录 Agent 的行为轨迹——不只是对话说了什么，更记录了 Agent 做了什么、调用了什么工具、得出了什么结论，让 Agent 在下一轮对话中真正「记起来」。 目前该项目在 GitHub 已获得超过 14,900 颗 stars，是 AI Agent 记忆领域最受关注的项目之一。

背景：为什么 AI Agent 如此「健忘」？

大型语言模型本身是无状态的（stateless），每次对话都是独立的上下文窗口。当对话轮次增加，上下文窗口会逐渐被填满，开发者不得不面临两难：要么截断早期对话（丢失重要背景），要么把全部历史塞进 prompt（成本飙升、延迟加剧）。 传统的解决方案是让 AI 把历史对话「总结」后存进向量数据库（Vector DB），下次对话时做语义检索（RAG）。但这种方案的缺陷显而易见：对话总结会丢失细节，向量检索无法理解因果逻辑，而且向量数据库本质上只存储「说了什么」，不记录「做了什么」——这对需要调用工具、执行多步骤流程的 Agent 来说远远不够。 Memori 的思路截然不同：记录 Agent 的行为本身，而不只是对话文本。

核心技术架构

Memori 采用双语言核心设计：Python SDK 提供最完整的功能和框架集成，TypeScript SDK 服务 Node.js 生态。 memori 核心模块划分：

模块	功能描述
memori/agent.py	Agent 生命周期管理、session 控制
memori/memory/	记忆收集器（_collector）、管理器（_manager）、结构化写入器（_writer）、召回（recall）
memori/memory/augmentation/	高级增强层，支持 attributes/events/facts/preferences/relationships/rules/skills 等8种记忆类型
memori/llm/	LLM 适配器层（adapters/），支持 Anthropic/Bedrock/DeepSeek/Gemini/Grok/OpenAI 六大提供商
memori/llm/clients/	统一客户端接口（direct.py 管理直接调用，frameworks.py 管理框架集成）
memori/storage/	多数据库存储适配器：PostgreSQL、MongoDB、MySQL、TiDB CockroachDB、Oracle 等
memori/search/	语义搜索层，依赖 FAISS 向量索引
memori/embeddings/	embedding 生成层，支持 sentence-transformers
**存储层亮点：**Memori 支持 BYODB（Bring Your Own Database）模式，开发者可以自由选择自己的 PostgreSQL、MongoDB、MySQL 或 TiDB 实例，完全掌控数据主权，不必依赖 Memori Cloud 服务。代码中使用 sqlalchemy >= 2.0.44 提供 ORM 抽象，通过 _registry.py 实现存储驱动的热插拔注册机制。
**Memori LoCoMo 基准测试表现：**在业界权威的 LoCoMo 长对话记忆基准测试中，Memori 达到了 81.95% 的整体准确率，而每次查询仅消耗 1,294 tokens，相当于全上下文窗口的 4.97%。相比 Zep（减少 67% tokens）、相比全上下文注入（降低 20 倍以上上下文成本），Memori 在精度和效率之间取得了极佳平衡。
LangMem 官方也推荐 Memori 作为生产级记忆方案，取代 LangChain 生态中原生记忆模块的位置。

丰富的生态集成

Memori 不只是一个 Python 库，而是一个完整的 Agent 记忆生态，提供了开箱即用的多平台集成： 框架集成：

• Agno、Pydantic AI、LangChain——通过标准化接口直接接入主流 Agent 框架 开发工具集成：
• Claude Code / Cursor / Codex / Warp——通过 MCP（Model Context Protocol）一键连接，无需修改任何代码或 prompt
• OpenClaw——提供 @memorilabs/openclaw-memori 插件，为 OpenClaw Agent 自动注入跨 session 记忆能力，安装后 Agent 能记住之前对话中做出的决策和工具调用结果
• Hermes Agent——提供 hermes-memori provider，为 Hermes Agent 自动归档会话，并在后台静默运行，同时暴露 memori_recall 和 memori_recall_summary 工具供 Agent 主动召回 **部署灵活性：**既可以使用 Memori Cloud（零配置，获得 API Key 即可使用，速率限制内免费），也可以自建 BYODB 模式，完全掌控数据。

上手体验

安装极简：

# Python
pip install memori

# Node.js / TypeScript
npm install @memorilabs/memori

**使用直觉：**只需注册你的 LLM 客户端并设置归属（attribution），Memori 就会在后台自动记录一切，开发者无需手动管理记忆的存取。 **CLI 管理工具：**通过 python -m memori 可以直接管理账户、API Key 和用量配额，文档位于 docs/memori-byodb/concepts/cli-quickstart.mdx。

技术质量评估

Memori 在代码质量上表现优秀：

• 类型安全：全面使用 TypeScript（memori-ts）和 Python 类型注解（py.typed 标记），pyproject.toml 中声明 Typing :: Typed
• 代码规范：使用 ruff 进行 linting，规则涵盖 pycodestyle、isort、flake8-bugbear、flake8-comprehensions、pyupgrade
• 测试覆盖：使用 pytest，配置了 asyncio 测试标记，支持并行测试
• 预提交钩子：.pre-commit-config.yaml 强制代码提交前检查格式和 lint
• 持续集成：.github/workflows/ci.yml 配置完整 CI 流程
• 安全策略：SECURITY.md 披露安全漏洞处理流程 Advanced Augmentation 机制是其核心技术亮点：在后台自动为每条记忆附加 attributes（属性）、events（事件）、facts（事实）、people（人物）、preferences（偏好）、relationships（关系）、rules（规则）、skills（技能）8 个维度，零延迟完成，使 Agent 召回的记忆不再只是原始对话文本，而是经过结构化增强的高价值上下文。

局限与挑战

API Key 依赖：Memori Cloud 模式需要申请 MEMORI_API_KEY，虽然速率限制内免费，但国内访问 memorilabs.ai 服务可能存在网络延迟。对于数据敏感场景（金融、医疗），BYODB 模式是更稳妥的选择。 存储选型需谨慎：BYODB 模式下，虽然支持多种数据库，但生产环境建议使用 PostgreSQL 或 MongoDB，MySQL/TiDB 的部分功能仍在完善中。 上下文召回的精度边界：Memori 在 LoCoMo 基准测试中取得了 81.95% 的准确率，但对于需要 100% 信息准确性的场景（如法律、医疗），仍需人工复核 AI 召回的内容。

行业意义

Memori 的出现标志着 AI Agent 记忆基础设施从「RAG 拼凑」走向「原生设计」。它证明了三个关键命题：

1. Agent 记忆不是对话历史，而是行为轨迹——工具调用、决策结果、执行上下文比纯文本更有价值
2. 结构化记忆可以同时降低成本并提升精度——1,294 tokens vs. 全上下文，精度反而更高
3. 记忆基础设施必须与框架解耦——Memori 同时支持 Agno、LangChain、Pydantic AI、OpenClaw、Hermes，不被单一框架锁定 随着 AI Agent 从单 Agent 向多 Agent 协作演进（Multi-Agent Systems），跨 Agent 共享记忆库将成为刚需，Memori 的 entity + process + session 三级记忆模型为此奠定了架构基础。

技术标签： Python / TypeScript · Agent Memory · RAG · Multi-Agent · BYODB · FAISS · LangChain / Pydantic AI / Agno · LoCoMo Benchmark 开源协议： Apache 2.0