關于AI記憶的項目很多，之前我們介紹過Mem0之類的產品(??mem0推出王炸mcp工具OpenMemory，打造用戶私有、跨應用的共享記憶層??)。今天我們來介紹一個新的項目 Memori，它在技術選型上做了個有趣的選擇：當大家都在追捧向量數據庫和圖數據庫時，它選擇了回歸 SQL。

Memori 是 Gibson 團隊開發的開源記憶引擎，專門給大語言模型和 AI Agent 加上持久記憶。簡單說，就是讓 AI 能記住你們之前的對話，不用每次都從頭開始。

目前主流的 AI 記憶方案各有各的問題：

提示詞填充 最直接，把歷史對話不斷塞進上下文。短對話還行，一旦聊久了，token 數量和成本都會失控。

向量數據庫 是當前主流，用 Pinecone、Weaviate 存儲語義嵌入。但語義檢索本身就是模糊的，經常召回一堆相關但不精確的內容，而且結構化信息容易丟失。

圖數據庫 在表達實體關系上確實強大，做推理很合適。但構建和維護成本高，擴展性也是個問題。

而 Memori 的方案是用關系型數據庫存儲記憶，理由很簡單：SQL 數據庫運行了幾十年，成熟可靠，用 JOIN 和索引做精確檢索正是它的強項。對于需要結構化存儲、精確召回的記憶場景，SQL 可能確實更合適。

這個項目最有意思的地方在于它的雙模式設計：

Conscious Mode（意識模式） 模擬人類的短期記憶。啟動時，AI 會分析歷史對話，把最重要的 5-10 段內容提取出來作為工作記憶。比如你的名字、正在做的項目、常用技術棧這些信息，會被優先記住并在對話開始時一次性注入。

Auto Mode（自動模式） 則是動態搜索整個記憶庫。每次你提問時，AI 都會智能分析需要什么背景信息，然后從數據庫里檢索相關記憶。這個模式更適合需要大量歷史信息的復雜對話。

使用起來很簡單：

from memori import Memori
from openai import OpenAI

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

# 正常使用 OpenAI
client = OpenAI()
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "幫我優化代碼"}]
)
# AI 會自動記住你之前提到的項目信息

從功能上看，Memori 支持 SQLite、PostgreSQL 和 MySQL，用 Pydantic 做結構化數據驗證，能自動提取對話中的實體（人名、技術、項目等）并分類存儲。它可以跟任何 LLM 庫配合使用，已經集成了 LangChain、CrewAI、AgentOps 等主流框架。

比較實用的是多用戶隔離功能。通過 namespace 參數，每個用戶的記憶可以完全獨立，適合做 SaaS 應用。項目還提供了 FastAPI 的多用戶示例代碼。

當然，這不意味著向量數據庫沒用。語義搜索在某些場景下不可替代。但 Memori 的實踐提醒我們：解決問題不一定要用最新的技術，有時候最合適的答案就在那些被驗證過的"老技術"里。

如果你在開發 AI 應用，特別是需要長期記憶的場景（客服機器人、個人助理、多智能體系統），這個工具值得一試。畢竟，一個能記住上下文的 AI，比每次都要重新介紹自己的 AI 實用多了。

項目地址：???https://github.com/GibsonAI/memori??

本文轉載自??AI工程化??，作者：ully