Memora：为 AI Agent 打造持久化记忆层

Memora 是由 agentic-box 团队开发的开源项目，旨在为 AI Agent 提供持久化记忆能力。GitHub 斩获 417 颗星，被收录至 Awesome Claude Code 精选列表，获得了 Claude Code 用户的广泛认可。

想象一个场景：你正在用 Claude Code 开发一个复杂的多文件项目，中途去开会或休息，第二天回来 Claude 已经完全「失忆」——不记得之前做了什么决定、哪些文件改过、哪些问题需要跟进。Memora 正是为解决这一痛点而生：它为 AI Agent 构建了一个持久化的记忆存储层，让跨会话的上下文信息永不丢失。

从技术实现角度看，Memora 是一套基于 MCP（Model Context Protocol）协议的记忆服务器，底层用 SQLite 做持久化存储，通过语义检索和知识图谱组织信息。它不是简单地将对话历史存起来，而是将信息结构化为可检索、可关联、可推理的记忆节点，模拟人类大脑如何将零散的感知编织成连贯的经历。

核心功能：记忆的「吸收-消化-检索」循环

Memora 的核心工作流可以概括为三个阶段：吸收（Absorb）、消化（Digest） 和 检索（Retrieve）。

吸收阶段：Claude Code 通过 MCP 协议调用 memory_absorb 工具，将当前工作上下文（代码片段、文件改动、问题分析等）写入 Memora 的 SQLite 数据库。每条记忆都是一个结构化节点，包含内容文本、标签、时间戳、层级路径和重要性评分。Memora 会自动检测重复记忆——如果新吸收的内容与已有记忆相似度超过 85%（基于 TF-IDF 或语义嵌入），会提示用户选择合并或保留。

消化阶段：Memora 自动构建记忆之间的关联关系，生成 typed edge（图关系边），将相关记忆链接成一个有机的知识网络。同时，它会自动推断层级结构——比如 project/backend/api、project/frontend/components 这样的命名空间路径，帮助 Agent 将记忆组织成树状结构而非扁平列表。

检索阶段：Agent 可以随时调用 memory_digest(topic) 获取某个主题的确定性摘要，该摘要聚合相关记忆节点、待办事项、关联边和来源 ID。与简单的关键词搜索不同，Memora 支持混合检索——将 BM25 全文检索与向量语义相似度加权融合，兼顾精确匹配和语义理解。

技术架构：MCP 协议 + SQLite + 可插拔后端

从源码来看，Memora 的架构非常清晰，核心模块分层明确：

MCP 协议层（server.py）：项目采用 FastMCP 框架实现 MCP 服务器，支持 stdio、SSE 和 streamable-http 三种传输方式。server.py 定义了 40+ 个 MCP 工具，从基础的 memory_create、memory_get、memory_delete 到高级的 memory_semantic_search、memory_digest、memory_insights，工具之间通过统一的数据模型交互。值得注意的是，server.py 对 Anthropic 的工具输入 schema 做了兼容性处理——递归展开 Optional[X] 类型，避免 anyOf / oneOf 导致的验证失败。

存储引擎（storage.py）：175KB 的存储模块是整个项目最核心的代码库，实现了 Memora 的所有核心算法。记忆按层级结构存储，支持 section/subsection 嵌套；每条记忆包含内容、标签集、元数据字典和创建时间。存储引擎内置了全文检索（SQLite FTS5）、向量化检索（可切换 TF-IDF/sentence-transformers/OpenAI Embedding）、交叉引用生成和聚类检测。工具调用有冷却时间限制（Tool Cooldowns），防止资源耗尽攻击，比如 rebuild_embeddings 冷却 5 分钟，find_duplicates 冷却 2 分钟。

多后端支持（backends.py）：除本地 SQLite 外，Memora 还支持将数据库同步到云端存储：AWS S3（通过 boto3）、Cloudflare R2（兼容 S3 协议）和 Cloudflare D1（SQLite 边缘数据库）。这使得多设备、多 Agent 共享同一记忆库成为可能。

知识图谱可视化（graph/server.py + graph/templates.py）：内置图谱服务器（默认 8765 端口），用 Mermaid 渲染记忆网络的拓扑结构，支持集群着色和时间轴回溯。graph/data.py 负责将记忆节点和边转换为 D3.js 可视化数据。

部署方式：pip 一键安装，开箱即用

Memora 的安装极其简单，一行命令即可完成：

pip install git+https://github.com/agentic-box/memora.git

install.sh 脚本提供了完整的安装流程：先通过 pipx 或 pip 安装 memora-server 可执行文件，再将 skills/memora/SKILL.md 复制到 ~/.claude/skills/，最后检查 .mcp.json 配置是否包含 Memora 服务器条目。

启动方式有两种：stdio 模式（MCP 默认，适合 Claude Code、Cursor 等 IDE 集成）和 HTTP 模式（--transport streamable-http），后者更适合独立部署或远程访问。启动后自动打开知识图谱可视化界面（默认 8765 端口），可以直观看到记忆网络的实时变化。

硬件需求极低：不需要 GPU，内存仅需 512MB，磁盘空间 100MB，Python 3.10+ 即可运行。唯一的可选依赖是 sentence-transformers（本地语义嵌入，约 2GB PyTorch 模型），如使用 OpenAI 嵌入则无需安装。

适用场景与局限性

最适配的场景：

• 长期项目维护：跨多天的开发任务，Agent 需要记住之前的设计决策和技术债务
• 多 Agent 协作：多个 Agent 共享同一个 Memora 实例，实现信息同步（通过 S3/R2/D1 云同步）
• 知识密集型开发：需要参考之前分析过的问题、API 设计、测试策略等
• Claude Code 用户：与 Claude Code 无缝集成，是该项目的核心目标用户群

需要了解的局限性：

• 非通用记忆工具：它不是为普通用户设计的笔记软件，而是面向 AI Agent 的基础设施
• 无容器化部署：不支持 Docker/docker-compose，云端部署需要自行配置 Python 环境和凭证
• 依赖 OpenAI 或本地嵌入模型：语义检索需要额外的 API 密钥或 2GB 本地模型
• 图谱可视化较简单：知识图谱仅支持 Mermaid 导出，缺乏交互式探索能力
• 文档管理功能有限：Markdown 文档存储基于固定片段类型（claims/plans/references/risks），灵活性受限

总结：Agent 记忆领域的垂直深耕者

Memora 在 AI Agent 记忆领域找到了一个精准的定位——它不是通用知识库，也不是向量数据库的简单包装，而是一套专门为 AI Agent 工作流设计的记忆基础设施。通过 MCP 协议深度集成 Claude Code，围绕「吸收-消化-检索」构建了完整的能力闭环。

其代码质量可圈可点：采用 FastMCP 框架保证了 MCP 协议兼容性，分层模块化设计（存储/后端/图谱/嵌入各自独立），工具冷却机制防止滥用，向量检索支持多后端灵活切换。不足之处在于缺乏容器化支持限制了部署灵活性，图谱可视化仍有提升空间。

如果你使用 Claude Code 或其他 MCP 兼容的 Agent 工具，并且经常被「Agent 忘记上下文」的问题困扰，Memora 值得一试——它可能是目前最成熟的开源 Agent 记忆解决方案之一。

技术指标速览