[Python] GibsonAI / Memori：用 SQL 给 AI 装上记忆系统

你有没有遇到过这种情况？ 上午跟 AI 助手说"我在做 FastAPI 项目"，下午再问"怎么加认证"，它却完全不记得你用的什么技术栈。每次都得把背景重新说一遍，就像在跟一个失忆症患者对话。

现在有个开源项目解决了这个问题，而且只需要一行代码——用的还是你最熟悉的 SQLite。

GibsonAI / Memori

AI 为什么总"失忆"

传统的 LLM 每次对话都是独立的，不会记住之前说过什么。要让 AI 有记忆，业内常用的方案是向量数据库，比如 Pinecone、Weaviate 这些。

但问题来了：

• 每个月几十美元的订阅费
• 数据存在别人的服务器上
• 换个工具，之前的记忆全丢了

Memori 给出了一个更直接的答案：用 SQL 数据库存储 AI 的记忆。

一行代码搞定

集成 Memori 简单到让人意外：

from memori import Memori
from openai import OpenAI

memori = Memori(conscious_ingest=True)
memori.enable()  # 就这一行

client = OpenAI()
# 之后所有对话自动拥有记忆能力

装上 Memori 后，AI 会自动记住你说过的话，下次对话时主动调用相关记忆。不需要改业务代码，不需要学新概念。

它是怎么工作的

Memori 采用了拦截器模式，在你调用 LLM 的前后自动处理记忆：

调用前：从数据库里检索相关的历史记忆，注入到当前对话
调用后：提取对话中的实体、关系、事件，结构化存储到数据库

整个流程是这样的：

你的代码 → Memori 拦截 → 注入记忆 → OpenAI → 提取知识 → 存入 SQL

双模记忆机制

Memori 提供了两种记忆模式，可以单独用也可以组合：

Conscious Mode（意识模式）
一次性注入工作记忆，适合短期任务追踪

Auto Mode（自动模式）
每次查询动态搜索相关记忆，适合长期知识积累

组合使用就像人的短期记忆和长期记忆一样，该记住的记住，该遗忘的遗忘。

核心优势

架构图

用你已有的数据库

Memori 支持主流 SQL 数据库：

• SQLite：单文件，零配置，开发测试首选
• PostgreSQL / MySQL：生产环境部署
• Neon / Supabase：云原生托管方案

memori = Memori(
    database_connect="postgresql://user:pass@localhost/memori"
)

兼容所有主流 LLM

通过 LiteLLM 的回调系统，Memori 可以无缝接入：

• OpenAI、Anthropic 原生支持
• LangChain 通过 LiteLLM 集成
• 100+ 模型即插即用

记忆是透明的

不同于向量数据库的黑盒，SQL 记忆完全可查询：

SELECT * FROM memories 
WHERE entity = 'FastAPI' 
  AND namespace = 'my_project';

你可以用任何 SQL 工具查看、分析、导出 AI 的记忆内容。数据在你自己手里，想怎么用就怎么用。

实际应用场景

场景一：代码助手

# 第一次对话
"我在用 FastAPI + PostgreSQL 做 API 项目"

# 一周后直接问
"帮我优化数据库查询性能"
# Memori 自动注入：用户项目用的 FastAPI + PostgreSQL

场景二：多智能体协作

多个 AI Agent 共享同一个 SQL 记忆库：

• Agent A 负责需求分析，把用户需求记录下来
• Agent B 负责写代码，读取需求记忆
• Agent C 负责测试，了解完整的项目上下文

云栈社区的开发者可以用这个架构搭建团队级的 AI 协作系统。

场景三：企业级部署

• 数据存储在自己的 PostgreSQL 实例
• 符合企业数据合规要求
• 可审计、可备份、可随时迁移

成本对比

方案	月成本	数据主权	可迁移性
Pinecone	$70+	❌	❌
Weaviate Cloud	$50+	❌	⚠️
Memori + SQLite	$0	✅	✅
Memori + 自建 PG	已有成本	✅	✅

成本能降低 80-90%，而且完全没有供应商锁定。

快速上手

安装：

pip install memorisdk

最简单的用法：

from memori import Memori
from openai import OpenAI

memori = Memori(conscious_ingest=True)
memori.enable()

client = OpenAI()
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "你的问题"}]
)

Memori 会在当前目录自动创建 memori.db（SQLite 文件），开箱即用。

生产环境配置

推荐用环境变量管理配置：

export MEMORI_DATABASE__CONNECTION_STRING="postgresql://..."
export MEMORI_AGENTS__OPENAI_API_KEY="sk-..."
export MEMORI_MEMORY__NAMESPACE="production"

代码里直接自动加载：

from memori import Memori, ConfigManager

config = ConfigManager()
config.auto_load()  # 自动读取环境变量

memori = Memori()
memori.enable()

项目现状

• GitHub Star：4.9k（快速增长中）
• 开源协议：MIT
• 生产就绪：已有企业在实际使用
• 社区活跃：Discord 有日常技术答疑

为什么值得关注

Memori 的价值不在于技术有多炫，而在于它足够务实：

✅ 用成熟的 SQL 技术解决 AI 记忆问题
✅ 一行代码集成，学习成本几乎为零
✅ 数据完全自主可控，成本接近零
✅ 可查询、可审计、可随时迁移

AI 的记忆不应该是黑盒，也不应该被供应商绑架。这个项目给出了一个清晰、实用的解决方案。

---

关注《异或Lambda》，发现更多改造世界的开源项目

🔗 项目地址：GibsonAI/Memori

📖 官方网站：memorilabs.ai

💬 AI人工智能课程：https://yunpan.plus/f/29-1

标签：#Memori #Github #AI记忆引擎 #开源项目 #LLM #SQL数据库 #AI工程化