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：
会话持久化：自动分段、去重、加密落盘。
零配置召回：基于 Hybrid Retrieval（向量 + 关键词 + 时间衰减），Top-K 自动可插。
多租户隔离：Namespace + 端到端 AES， SaaS 直接抄作业。
生命周期管理：支持 TTL、手动遗忘、GDPR 一键导出。
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。
优缺点总结
本地部署教程
想亲手试试？3 分钟就能跑起来：
- 安装依赖
pip install memorisdk# 如需PostgreSQL，额外安装：pip install psycopg2-binary
- 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
- 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- 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。
