Memori：GibsonAI推出的LLM原生内存工具，SQL存储一键赋能AI持久记忆

一、Memori是什么？

Memori是一款开源的SQL原生LLM内存引擎，由GibsonAI开发维护，核心定位是为AI模型（LLM）、AI代理及多代理系统提供“可持久化、可查询、用户可控”的智能记忆能力。

简单来说，普通LLM的记忆是临时的（仅存在单轮或有限轮对话中），而Memori相当于给LLM装上了“永久大脑”——它会自动记录LLM与用户的交互信息、关键实体（如用户偏好、项目信息）及关系，存储在SQL数据库中，后续对话时自动调取相关上下文，让LLM“记住”历史信息，无需重复说明背景。

与传统向量数据库方案不同，Memori直接基于标准SQL数据库实现记忆存储与查询，无需额外部署专用向量数据库，既降低了技术复杂度，又保证了数据的可移植性和可审计性。

二、功能特色

Memori的核心优势围绕“极简集成、SQL原生、低成本、高可控”展开，具体特色如下：

1. 一行代码极简集成：无需复杂配置，通过memori.enable()即可快速赋能LLM，兼容OpenAI、Anthropic、LiteLLM、LangChain等主流LLM框架，现有项目无需大幅修改代码。

2. SQL原生持久化存储：记忆数据存储在SQLite、PostgreSQL、MySQL等标准SQL数据库中，而非专用向量库，支持直接通过SQL语句查询、导出、审计，数据完全由用户掌控。

3. 显著成本优势：省去向量数据库的部署与运维成本，相比传统方案可节省80-90%的开支，小型项目或个人开发者无需承担高额费用。

4. 无供应商锁定：支持将内存数据导出为SQLite格式，可自由迁移至其他数据库或环境，不受特定平台限制。

5. 智能记忆处理：自动完成实体提取（如“用户正在开发FastAPI项目”）、关系映射（如“FastAPI项目”与“添加认证”的关联）、上下文优先级排序，确保LLM调取记忆时精准高效。

6. 多场景适配：支持单LLM应用、多代理协作系统等多种场景，记忆能力可随场景灵活扩展。

三、技术细节

1. 核心架构

Memori的架构以“轻量集成、模块化设计”为核心，主要包含4大模块：

• 核心内存模块（core）：负责记忆数据的存储、检索、优先级排序，是整个引擎的核心，包含memory.py主类及数据处理逻辑。

• 数据库适配模块（database）：基于SQLAlchemy实现多数据库兼容，提供统一的数据库连接接口，支持SQLite/PostgreSQL/MySQL等主流数据库。

• LLM集成模块（integrations）：封装主流LLM提供商的API，实现“启用即生效”的集成体验，无需修改LLM调用逻辑。

• 代理处理模块（agents）：包含对话处理、内存迁移、检索优化等专用代理，提升记忆处理的智能化水平。

2. 支持的数据库与LLM框架

3. 数据处理流程

Memori的记忆工作流程可分为3步，全程自动化：

1. 数据摄入：LLM与用户交互时，自动捕获对话内容、用户需求等信息；

2. 智能处理：提取关键实体（如人物、项目、偏好）、建立实体关系（如“用户A”→“偏好低糖咖啡”）、按重要性排序上下文；

3. 存储与检索：将处理后的数据存入SQL数据库，后续对话时按上下文相关性自动调取记忆，补充给LLM。

四、应用场景

Memori的核心价值是“让AI拥有长期记忆”，适用于各类需要LLM持续交互、上下文关联的场景：

1. 个人AI助手：作为私人日记、学习助手，记住用户的学习进度、阅读偏好、情绪状态，提供个性化建议（如“根据你上周记录的Python学习计划，今天推荐学习FastAPI认证模块”）。

2. 多代理协作系统：在多AI代理协同工作的场景中（如项目管理、科研协作），共享统一记忆库，确保代理间信息同步（如“设计代理记住用户需求，开发代理调取该需求进行功能实现”）。

3. 企业AI客服：记住客户的历史咨询记录、产品购买信息、问题反馈，提供精准服务（如“你之前咨询的XX产品售后问题，目前已更新解决方案，具体如下：...”）。

4. 研究员智能工具：结合网络搜索功能，记住科研方向、已查阅文献、实验数据，辅助研究员整合信息、生成报告（如“基于你之前记录的‘AI大模型效率优化’研究方向，补充最新相关文献摘要”）。

5. 教育AI导师：记住学生的知识薄弱点、学习节奏、答题错误记录，定制学习计划（如“你上次在数学函数部分出错较多，本次优先推荐相关练习题”）。

五、使用方法

1. 环境准备

• 支持Python 3.8及以上版本；

• 需提前安装目标LLM框架（如openai、anthropic）或数据库驱动（如PostgreSQL需安装psycopg2）。

2. 安装Memori

通过pip直接安装SDK：

pip install memorisdk

3. 快速入门（OpenAI示例）

# 1. 导入依赖
from memori import Memori
from openai import OpenAI

# 2. 初始化Memori并启用内存功能（conscious_ingest=True表示自动摄入记忆）
memori = Memori(conscious_ingest=True)
memori.enable()

# 3. 初始化LLM客户端（与常规使用一致，无需修改调用逻辑）
client = OpenAI()

# 4. 第一次对话：Memori自动记录上下文
response1 = client.chat.completions.create(
  model="gpt-4o-mini",
  messages=[{"role": "user", "content": "我正在开发一个FastAPI项目，用于管理个人任务"}]
)
print("第一次回复：", response1.choices[0].message.content)

# 5. 第二次对话：Memori自动调取历史记忆
response2 = client.chat.completions.create(
  model="gpt-4o-mini",
  messages=[{"role": "user", "content": "帮我添加用户登录认证功能"}]
)
print("第二次回复：", response2.choices[0].message.content)
# 此时LLM会自动关联“FastAPI项目”和“登录认证”，提供针对性方案

4. 进阶配置（切换数据库）

默认使用SQLite数据库，若需切换至PostgreSQL，只需在初始化时指定连接字符串：

memori = Memori(
  conscious_ingest=True,
  database_url="postgresql://user:your_password@localhost/memori_db" # 自定义数据库连接
)
memori.enable()

六、常见问题解答（FAQ）

1. Memori和向量数据库的核心区别是什么？
   答：核心区别在存储方式与成本：向量数据库专为高维向量检索设计，部署运维复杂、成本高；Memori基于标准SQL数据库，无需额外学习向量相关技术，成本低且数据可直接用SQL查询，更适合需要“简单持久化记忆”的场景，而非大规模向量检索。

2. 使用Memori需要掌握SQL知识吗？
   答：不需要。Memori已封装所有数据库操作，用户无需编写SQL语句，仅需通过一行代码启用即可；若有自定义查询需求，也可直接使用SQL语句操作数据库。

3. Memori支持本地部署吗？数据安全性如何保障？
   答：支持本地部署（如使用SQLite本地文件数据库），所有记忆数据存储在用户指定的数据库中，完全由用户掌控，无需上传至第三方服务器，保障数据隐私。

4. 能否迁移已有的LLM对话记忆到Memori？
   答：支持。Memori支持将历史对话数据导入SQL数据库（需按指定格式整理），也可导出现有记忆数据为SQLite文件，方便迁移或备份。

5. Memori的性能如何？适合大规模场景吗？
   答：Memori针对中小规模场景（如个人应用、小型企业客服、多代理协作系统）优化，性能稳定；大规模场景（如千万级用户记忆存储）建议搭配PostgreSQL等高性能数据库，并进行分库分表优化。

七、相关链接

• GitHub仓库：https://github.com/GibsonAI/Memori

八、总结

Memori是一款面向LLM与AI代理的开源SQL原生内存引擎，以“极简集成、SQL存储、低成本、高可控”为核心优势，通过一行代码即可让AI拥有持久化、可查询的智能记忆，无需依赖向量数据库，兼容主流SQL数据库与LLM框架，既降低了AI记忆功能的开发门槛，又保障了用户对数据的控制权，适用于个人助手、多代理协作、企业客服等多种场景，是中小型项目及开发者为LLM赋能“长期记忆”的高效解决方案。