开源SQL内存引擎：让LLM拥有永久记忆，成本直降90%！

在人工智能飞速发展的今天，大型语言模型（LLM）已经展现出令人惊叹的能力，但它们始终面临着一个致命缺陷——缺乏持久记忆。每次对话都像是第一次见面，用户不得不反复重复基本信息，这不仅影响体验，更大大增加了使用成本。现在，一个革命性的开源项目正在改变这一现状。

什么是Memori？

Memori是一个开源的SQL原生内存引擎，专为LLM、AI代理和多代理系统设计。只需一行代码memori.enable()，就能为任何LLM赋予持久化、可查询的记忆能力，让AI真正记住对话内容、从交互中学习，并在不同会话间保持上下文连贯性。

为什么选择Memori？

• 一行代码集成 - 完美兼容OpenAI、Anthropic、LiteLLM、LangChain等主流LLM框架
• SQL原生存储 - 使用标准SQL数据库（SQLite、PostgreSQL、MySQL），完全掌控数据
• 80-90%成本节省 - 无需昂贵的向量数据库，直接利用现有SQL基础设施
• 零供应商锁定 - 内存数据可导出为SQLite，随时随地迁移
• 智能内存管理 - 自动实体提取、关系映射和上下文优先级排序

快速入门：5分钟搭建智能记忆系统

安装Memori只需要一个简单的命令：

pip install memorisdk

接下来，让我们看一个完整的示例，展示如何为OpenAI聊天模型添加记忆功能：

from memori import Memori
from openai import OpenAI

# 初始化Memori并启用记忆功能
memori = Memori(conscious_ingest=True)
memori.enable()

client = OpenAI()

# 第一次对话 - 提及正在构建FastAPI项目
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "I'm building a FastAPI project"}]
)

# 后续对话 - Memori自动提供上下文
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "Help me add authentication"}]
)
# LLM自动知道你在构建FastAPI项目！

这个示例清晰地展示了Memori的核心价值：在第二次请求添加身份验证功能时，模型已经"记得"用户正在构建FastAPI项目，无需重复背景信息。

全面兼容的数据库支持

Memori支持所有主流SQL数据库，你可以根据项目需求灵活选择：

这种设计让Memori能够无缝集成到现有的技术栈中，无论是简单的个人项目还是复杂的企业级应用。

广泛的LLM框架支持

通过LiteLLM的原生回调系统，Memori能够与几乎所有主流LLM框架协同工作：

灵活的内存配置模式

Memori提供多种内存模式，满足不同场景的需求：

持久化存储配置

from memori import Memori

memori = Memori(
    database_connect="postgresql://user:pass@localhost/memori",
    conscious_ingest=True,  # 短期工作记忆
    auto_ingest=True,       # 每次查询动态搜索
    openai_api_key="sk-..."
)
memori.enable()

三种核心内存模式

意识模式 - 一次性工作记忆注入

memori = Memori(conscious_ingest=True)

自动模式 - 每次查询动态搜索

memori = Memori(auto_ingest=True)

组合模式 - 两者优势结合

memori = Memori(conscious_ingest=True, auto_ingest=True)

使用配置管理器

对于生产环境，推荐使用ConfigManager进行集中配置：

from memori import Memori, ConfigManager

config = ConfigManager()
config.auto_load()  # 从环境变量或配置文件加载

memori = Memori()
memori.enable()

设置环境变量：

export MEMORI_DATABASE__CONNECTION_STRING="postgresql://..."
export MEMORI_AGENTS__OPENAI_API_KEY="sk-..."
export MEMORI_MEMORY__NAMESPACE="production"

核心架构解析

Memori的工作原理是通过拦截LLM调用——在调用前注入上下文，在调用后记录对话：

[架构流程图描述：应用程序 → Memori拦截器 → SQL数据库 → LLM提供商，形成完整循环]

工作流程详解

调用前（上下文注入）

1. 应用程序调用client.chat.completions.create(messages=[...])
2. Memori透明地拦截调用
3. 检索代理（自动模式）或意识代理（意识模式）检索相关记忆
4. 上下文在发送到LLM提供商前被注入到消息中

调用后（记录存储）5.  LLM提供商返回响应 6.  内存代理提取实体，分类（事实、偏好、技能、规则、上下文） 7.  对话存储在SQL数据库中，并建立全文搜索索引 8.  原始响应返回给应用程序

后台处理（每6小时）

• 意识代理分析模式，将重要记忆从长期存储提升到短期存储

实际应用场景示例

个人助理场景

想象一个智能个人助理，它能够记住你的偏好、习惯和过往对话。当你第一次说"我喜欢喝黑咖啡"后，几周后询问"推荐一家咖啡馆"时，它会自动优先推荐提供优质黑咖啡的场所。

# 个人助理示例代码框架
from memori import Memori
import openai

memori = Memori(conscious_ingest=True, auto_ingest=True)
memori.enable()

# 第一次对话：用户表达偏好
response = openai.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "我每天早晨都要喝黑咖啡，不喜欢加糖"}]
)

# 后续对话：基于记忆提供个性化建议
response = openai.chat.completions.create(
    model="gpt-4", 
    messages=[{"role": "user", "content": "附近有什么好的咖啡推荐？"}]
)
# 模型会记得用户喜欢黑咖啡的偏好

多用户系统支持

Memori完美支持多用户场景，确保不同用户之间的记忆完全隔离：

# 多用户记忆隔离示例
from memori import Memori

# 用户A的记忆空间
memori_user_a = Memori(namespace="user_a")
memori_user_a.enable()

# 用户B的记忆空间  
memori_user_b = Memori(namespace="user_b")
memori_user_b.enable()

企业级应用：客户支持系统

在企业客户支持场景中，Memori能够让AI客服记住每个客户的完整交互历史。当客户再次咨询时，客服立即了解之前的问题、解决方案和客户满意度，提供无缝的连续服务体验。

框架集成生态

Memori与主流AI框架深度集成，开箱即用：

交互式演示体验

Memori提供了多个实时演示，帮助开发者更好地理解其能力：

这些演示生动展示了Memori在真实场景中的应用价值。个人日记助手能够识别用户的情绪模式，研究助手则可以记住之前的研究主题和发现，大大提升工作效率。

行业应用前景

在实际应用中，Memori正在改变多个行业的人机交互方式。在教育领域，智能导师能够记住学生的学习进度和薄弱环节，提供个性化辅导；在医疗健康领域，AI助手可以持续跟踪患者的症状变化和治疗反应；在企业场景中，销售助理能够记住客户的偏好和过往互动，提升转化率。

与传统的向量数据库方案相比，Memori的SQL原生 approach 不仅大幅降低成本，还提供了更好的可查询性和可审计性。开发人员可以使用熟悉的SQL工具直接分析和优化记忆数据，为企业级应用提供了坚实的基础。

[图片8: Star History图表]

Memori作为开源SQL内存引擎的代表，正引领着LLM记忆技术的革新浪潮。通过将复杂的记忆管理简化为一行代码，它让每个开发者都能轻松构建具有持久记忆能力的智能应用。无论是个人项目还是企业级系统，Memori都提供了可靠、高效且经济实惠的解决方案。现在就开始使用Memori，让你的AI应用真正拥有"记忆力"吧！

参考资料