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：

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
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
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