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

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。

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”。

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：

我们可以把它拆成三个层面来看：

从项目结构看，Memori采用了高度模块化的设计：

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。

Memori支持两种记忆模式，这点我认为特别贴心：

我总结了一下Memori采用的技术方案，大家可以参考一下：

Memori的适用范围比我想象的更广，举几个典型场景：

• 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。

想亲手试试？3 分钟就能跑起来：

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。

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。

如果大家正在开发需要 "长期记忆" 的 AI 应用，或者受够了反复传递上下文的麻烦，不妨试试这个项目。开源社区也在快速成长，贡献代码或反馈问题，都是不错的参与方式。

关于架构专栏

开源大模型开源大模型是什么意思开源大模型有哪些