一行代码，让你的 AI 拥有永久记忆！告别昂贵的向量数据库

你是否也曾苦恼，精心调教的 AI 助手，转头就把你们的对话忘得一干二净？每开启一次新的会话，都得把前情提要再说一遍，仿佛在和一个只有七秒记忆的鱼对话。

这背后的原因其实很简单：大多数大型语言模型（LLM）天生是无状态的，它们不会主动保留过去的交互信息。为了解决这个问题，开发者们通常会引入向量数据库来存储对话历史和上下文。但这也带来了新的挑战：技术栈更复杂了，成本也上去了，还可能被特定的服务商“套牢”。

今天，我们要介绍一个名为 Memori 的开源项目，它为 AI 的“失忆症”提供了一剂优雅且经济的良方。

Memori 是什么？

Memori 是一个为 LLM、AI Agent 和多智能体系统设计的开源记忆引擎。它的核心理念是：用一行代码，为你熟悉的标准 SQL 数据库（如 SQLite, PostgreSQL, MySQL）赋予 AI 记忆能力。

没错，你没看错，只需要一行代码：memori.enable()。

为什么选择 Memori？

• • 一键集成：无论是 OpenAI、Anthropic、LangChain 还是其他 LLM 框架，都能无缝接入。
• • 原生 SQL 存储：将记忆数据存储在你完全控制的 SQL 数据库中，数据可移植、可查询、可审计。
• • 节省 80-90% 成本：不再需要昂贵且复杂的向量数据库。
• • 零厂商锁定：你可以随时将记忆数据导出为 SQLite 文件，轻松迁移。
• • 智能记忆：自动提取实体、映射关系，并根据上下文智能判断记忆的优先级。

快速上手

体验 Memori 的魔力有多简单？我们来看一段代码。

首先，安装 SDK：

pip install memorisdk

然后，在你的代码中加入 Memori：

from memori import Memori
from openai import OpenAI

# 初始化并启用 Memori
memori = Memori(conscious_ingest=True)
memori.enable()

client = OpenAI()

# 第一次对话
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "我正在开发一个 FastAPI 项目"}]
)

# 过了一段时间，开启新的对话
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "帮我为这个项目添加用户认证功能"}]
)
# 此时，LLM 已经知道你在谈论的是之前的 FastAPI 项目

就是这么简单！在第二次对话中，你无需重复提及项目背景，Memori 已经悄悄地将上下文信息注入，让 LLM “记起”了你们之前的谈话内容。

工作原理

Memori 的实现方式非常巧妙，它通过“拦截” LLM 的调用请求来工作。

整个流程可以分为两部分：

1. 1. 调用前（上下文注入）：当你的应用调用 LLM 时，Memori 会先拦截这个请求。它会根据当前对话，从你的 SQL 数据库中检索最相关的记忆片段，然后将这些上下文信息“注入”到发送给 LLM 的消息中。
2. 2. 调用后（记忆存储）：当 LLM 返回响应后，Memori 再次拦截。它的记忆代理（Memory Agent）会从这次交互中提取关键实体、事实、偏好等信息，进行分类和结构化，然后存入 SQL 数据库，以备将来使用。

此外，Memori 还有一个后台的“意识代理”（Conscious Agent），它会定期分析长期记忆，将重要的信息提升到短期工作记忆中，进一步优化检索效率。

强大的兼容性

Memori 的设计初衷就是为了让开发者能够轻松地将其集成到现有工作流中。

数据库支持

你可以使用任何你熟悉的 SQL 数据库，只需提供一个连接字符串即可。

LLM 框架支持

得益于 LiteLLM 的回调系统，Memori 可以支持几乎所有的 LLM 框架。

总结

对于正在构建 AI 应用的开发者来说，记忆管理是一个无法回避的核心问题。Memori 项目提供了一种全新的解决思路，它通过拥抱开发者最熟悉的 SQL 技术，极大地降低了实现持久化记忆的门槛和成本。

它不仅让 AI “记住”了过去，更让开发者能够完全掌控自己的数据，避免了被特定技术或服务锁定。如果你也想让你的 AI 应用变得更聪明、更善解人意，那么 Memori 绝对是一个值得尝试的开源利器。