Memori：让 AI 拥有 "持久记忆" 的开源RAG引擎

推荐语

开源RAG引擎Memori为AI打造"持久记忆"，解决LLM对话中的"失忆"难题，让AI真正记住用户需求。

核心内容：
1. Memori如何解决RAG开发中的三大痛点
2. 项目的五大技术亮点与创新设计
3. 从架构层面解析"记忆"功能的实现原理

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

最近发现了一个能解决 AI 开发核心痛点的工具 ——Memori。这个被称为 "AI 第二大脑" 的开源项目，正在用一种巧妙的方式解决 LLM 对话中 "记不住事" 的经典问题。

今天我们就来深度拆解这个项目，看看它到底有什么过人之处。

github地址：https://github.com/GibsonAI/memori

它到底解决什么痛点？

做 RAG 的朋友都知道：

• 向量数据库只存“外部知识”，对话一关就“失忆”；

• 提示词长度有限，历史记录一多就“断片”；

• 多租户场景下，用户隐私数据混在 prompt 里，极易泄露。

memori 把“会话级记忆”抽象成独立层，让大模型在每次请求时自动携带“相关往事”，既省 token 又合规。一句话：给 LLM 装上“私人日记本”，且日记本归用户自己保管。

功能亮点

在研究了这款项目之后，我总结一下它的几个亮点，供大家参考：

1. 会话持久化：自动分段、去重、加密落盘。

2. 零配置召回：基于 Hybrid Retrieval（向量 + 关键词 + 时间衰减），Top-K 自动可插。

3. 多租户隔离：Namespace + 端到端 AES， SaaS 直接抄作业。

4. 生命周期管理：支持 TTL、手动遗忘、GDPR 一键导出。

5. 边缘部署：50 MB 内存即可跑，树莓派当“记忆盒子”。

技术架构：它是如何实现 "记忆" 的？

理解 Memori 的架构，关键要抓住 "拦截 - 处理 - 存储" 这个核心流程。下面我总结了一个它的架构总览图：

┌-------------------------┐│  Chat App / Agent       │  <-- 任何 HTTP/gRPC 客户端└-----------┬-------------┘            │JWT/API Key┌-----------┴-------------┐│  memori-server (TS)     │  <-- 无状态，可横向扩│  ├─ REST / WebSocket    ││  ├─ ACL 中间件          ││  └─ 记忆调度器          │└-----------┬-------------┘            │gRPC┌-----------┴-------------┐│  memori-core (Python)   │  <-- 有状态，负责召回 & 写入│  ├─ Embedding Router    │  （支持 Ollama / OpenAI / Claude）│  ├─ Recall Service      │  （Hybrid Retrieval）│  ├─ Memory Store        │  （SQLite / PG / S3 插件）│  └─ Crypto Layer        │  （AES-256-GCM，key 不归服务器）└-----------┬-------------┘            │FFI┌-----------┴-------------┐│  memori-lite (Rust)     │  <-- 边缘侧，50 MB 内存│  嵌入式向量索引         │└-------------------------┘

我们可以把它拆成三个层面来看：

• 调用前（Context Injection）
  当我们调用client.chat.completions.create()时，Memori 会先拦截请求，通过 Retrieval Agent（自动模式）或 Conscious Agent（手动模式）从数据库拉取相关记忆，悄悄塞到对话上下文里。
• 调用后（Recording）
  LLM 返回响应后，Memory Agent 会自动提取关键信息（比如 "用户用 FastAPI"），分类后存入 SQL 数据库，并建立全文搜索索引。
• 后台优化
  每 6 小时，Conscious Agent 会自动分析记忆，把重要内容从 "长期存储" 提到 "短期缓存"，确保关键信息优先被调用。

模块组成（代码级拆解）

从项目结构看，Memori 采用了高度模块化的设计：

memori/├── core/           # 核心模块：记忆接口、数据库管理│   ├── memory.py   # 主类，控制双记忆模式│   ├── database.py # 数据库连接和操作├── agents/         # 智能处理代理│   ├── memory_agent.py      # 提取和分类记忆│   ├── conscious_agent.py   # 后台分析和优化│   └── retrieval_agent.py   # 记忆检索引擎├── integrations/   # LLM适配器：OpenAI/Anthropic等├── database/       # 多数据库支持：连接和迁移工具└── tools/          # 记忆搜索工具，支持函数调用

这种设计的好处很明显：想加新数据库？改 database 模块；想支持新 LLM？加个 integration 适配器就行，核心逻辑不用动。

双记忆模式（灵活适配场景）

Memori 支持两种记忆模式，这点我认为特别贴心：

• auto_ingest（自动模式）
  全自动处理，适合快速上手，不用手动干预
• conscious_ingest（手动模式）
  可自定义记忆规则，适合复杂场景（比如需要筛选敏感信息时）

核心技术栈清单

我总结了一下Memori 采用的技术方案，大家可以参考一下：

应用场景：哪些地方能用上它？

Memori 的适用范围比我想象的更广，举几个典型场景：

• 个人助手类应用
  记住用户的作息、偏好（比如 "我不吃辣"），提供个性化服务
• 开发者工具
  像例子里的 "FastAPI 项目助手"，记住项目细节，不用反复说明需求
• 客服 AI
  记住用户历史问题和解决方案，避免重复沟通
• 多 Agent 系统
  让多个 AI 角色共享记忆库，协同完成任务（比如一个做调研，一个写报告）
• 教育类 AI
  记住学生的知识盲点，针对性辅导

• AI 伴侣

  连续聊天 30 天不重复劝睡

• 法律助手

  案件材料按小时增量更新，律师随时追问“上次提到第 3 条证据在哪”。

官方 demo 里的 "个人日记助手" 特别有意思，它能分析用户的情绪变化和生活规律，提供个性化建议 —— 这就是记忆能力带来的进阶体验。

本地部署教程

想亲手试试？3 分钟就能跑起来：

1. 安装依赖

pip install memorisdk# 如需PostgreSQL，额外安装：pip install psycopg2-binary

1. 配置环境变量
   创建.env文件，填入 LLM 密钥（以 OpenAI 为例）：

OPENAI_API_KEY=sk-你的密钥

1. 编写测试代码
   创建test_memori.py：

from memori import Memorifrom openai import OpenAI# 初始化记忆系统memori = Memori(conscious_ingest=True)memori.enable()# 初始化OpenAI客户端client = OpenAI()# 第一次对话：告诉AI你的信息client.chat.completions.create(    model="gpt-4o-mini",    messages=[{"role": "user", "content": "我在用Django开发博客"}])# 第二次对话：测试记忆效果response = client.chat.completions.create(    model="gpt-4o-mini",    messages=[{"role": "user", "content": "怎么给我的项目加评论功能？"}])print(response.choices[0].message.content)# 此时AI会自动关联"Django博客"的上下文，给出针对性建议

1. 运行代码

python test_memori.py

运行后会生成memori.db（SQLite 数据库），所有记忆都存在这里，下次运行还能复用。

总结：为什么说它是 AI 开发的 "刚需工具"？

在 AI 应用从 "单次对话" 走向 "长期交互" 的趋势下，Memori 解决的 "记忆问题" 其实是个底层刚需。它的聪明之处在于：不用发明新的存储方案（直接用 SQL），不用复杂的集成步骤（一行代码搞定），却能实实在在降低 80% 以上的开发成本和 token 消耗。

对于开发者来说，这意味着我们能更专注于业务逻辑，不用重复造记忆系统的轮子；对于企业来说，数据存在自己的数据库里，既安全又灵活。