MemoriLabs/Memori · 上手攻略
- 仓库：MemoriLabs/Memori
- 链接：https://github.com/MemoriLabs/Memori
- 分类：ai
- 作者：Jay
- 更新：2026-07-12
🎯 是什么
Memori 是面向 AI Agent 的记忆基础设施（Agent-native Memory Infrastructure）。它的核心定位是：解决 AI Agent「每次对话从零开始」的根本痛点——让 Agent 不仅记得「说过什么」，更记得「做过什么」，并能将执行过程中的决策、工具调用、结果都结构化地持久化，以便下次调用时精准召回。
与简单的向量数据库检索不同，Memori 的设计哲学是：
Memory from what agents do, not just what they say.
也就是说，它不仅记录对话文本，还记录 Agent 的执行轨迹（tool calls、decisions、outcomes），并在 entity（用户/实体）、process（Agent/进程）、session（会话）三个维度做结构化建模。Memori 本身是 LLM 无关的（支持 OpenAI、Anthropic、Gemini 等），且可与现有数据基础设施集成，无需「掀桌子重来」。
🔍 解决什么问题
问题本质：Agent 没有长期记忆
大多数 AI Agent 框架（LangChain Agents、AutoGPT 等）的默认状态是：每次会话独立，Agent 无法记住上次执行了什么决策、走了什么弯路、哪些操作成功了哪些失败了。对于需要跨会话积累知识的场景（如「我的代码规范偏好」「这个用户上次反馈了什么问题」），这是致命的。
现有方案的不足：
| 方案 | 问题 |
|---|---|
| 全量上下文塞进 Prompt | token 成本爆炸，推理变慢变贵 |
| 简单向量数据库 RAG | 只记住了「说过的话」，记不住「做过的事」 |
| Zep / Mem0 | 有一定能力但召回精度和 token 效率不够理想 |
| LangMem | 集成较重，评估数据不够透明 |
Memori 在 LoCoMo 长对话记忆基准上达到 81.95% 准确率，且每次查询平均仅消耗 1,294 tokens（是全量上下文的 4.97%），性能数据在官方文档和 arXiv 论文（arXiv:2603.19935）中有据可查。
⚡ 快速安装
方式一：Memori Cloud（最简单，零配置）
- 注册账号：https://app.memorilabs.ai
- 获取 API Key
- 设置环境变量
Python SDK：
pip install memori
from memori import Memori
from openai import OpenAI
client = OpenAI() # 需要 OPENAI_API_KEY 环境变量
mem = Memori().llm.register(client)
mem.attribution(entity_id="user_123", process_id="support_agent")
# 第一次对话：AI 记住了用户的喜好
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "My favorite color is blue."}]
)
# 第二次对话：Memori 自动召回上下文
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "What's my favorite color?"}]
)
# AI 回答：Blue（从记忆中召回）
TypeScript SDK：
npm install @memorilabs/memori
import { OpenAI } from 'openai';
import { Memori } from '@memorilabs/memori';
const client = new OpenAI();
const mem = new Memori().llm.register(client);
mem.attribution('user_123', 'support_agent');
// 同样地，两次对话间自动持久化和召回
方式二：OpenClaw 插件（如果你用 OpenClaw）
openclaw plugins install @memorilabs/openclaw-memori
openclaw plugins enable openclaw-memori
openclaw memori init \
--api-key "YOUR_MEMORI_API_KEY" \
--entity-id "your-app-user-id" \
--project-id "my-project"
openclaw gateway restart
注：OpenClaw Agent 之前「每次会话从零开始」的问题就此解决，安装插件后所有对话自动有结构化记忆。
方式三：Hermes Agent 集成
pip install hermes-memori
hermes-memori install
hermes config set memory.provider memori
# 设置环境变量
echo "MEMORI_API_KEY=YOUR_KEY" >> ~/.hermes/.env
echo "MEMORI_ENTITY_ID=user_123" >> ~/.hermes/.env
📦 核心用法
1. 基本接入流程（四步走）
from memori import Memori
from openai import OpenAI
# Step 1: 创建 Memori 实例
mem = Memori()
# Step 2: 注册你的 LLM（支持 OpenAI/Anthropic/Gemini 等）
client = OpenAI()
mem = mem.llm.register(client)
# Step 3: 设置 attribution（谁在用，做什么）
mem.attribution(entity_id="user_123", process_id="my_agent")
# Step 4: 正常调用 LLM，Memori 在后台自动处理记忆
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "我偏好中文回复。"}]
)
# Memori 自动记录这次交互，下次同类场景召回
⚠️ 注意：
attribution是必填项，不设置的话 Memori 无法为你建立记忆。
2. Session 管理
# 当前会话（Agent 执行多步时用同一个 session）
# 默认自动管理
# 强制开启新会话
mem.new_session()
# 或者设置特定 session ID
mem.set_session("my-custom-session-id")
3. Session 级别的工具调用
Memori 在每次 LLM 调用后自动记录： - 消息内容（user/assistant） - 工具调用（tool_call）和返回值 - 执行结果（outcome）
这比纯 RAG 的「记住对话文本」要丰富得多，因为包含了 Agent 的行为轨迹。
4. MCP 协议接入（跨平台）
如果你的 Agent 不直接使用 SDK，可以通过 MCP 协议接入 Memori：
# 以 Claude Code 为例
claude mcp add --transport http memori \
https://api.memorilabs.ai/mcp/ \
--header "X-Memori-API-Key: ${MEMORI_API_KEY}" \
--header "X-Memori-Entity-Id: your_username" \
--header "X-Memori-Process-Id: claude-code"
支持的 MCP 客户端：Claude Code、Cursor、Codex、Warp、Antigravity 等。
5. Advanced Augmentation（高级增强）
Memori 在 entity / process / session 三个层级上做增强记忆，类型包括：
| 增强类型 | 说明 |
|---|---|
attributes |
属性（实体特征） |
events |
事件（发生的事） |
facts |
事实（已确认的信息） |
people |
人物关系 |
preferences |
偏好 |
relationships |
关系 |
rules |
规则（行为准则） |
skills |
技能 |
这些增强由 Memori 在后台自动完成，无额外延迟。
🏷️ 典型适用场景
1. 个人 AI 编程助手（如 Claude Code + Memori） 安装 Memori 插件后，Claude Code 记住你项目的代码规范、Review 偏好、架构决策。新来的工程师加入项目时，Agent 直接说出「我们的代码规范要求……上次 Review 建议是……」。
2. 企业客服 / 销售 Agent Agent 记住用户的历史问题、购买偏好、服务记录，每次对话无需用户重复自我介绍。Memori 的 entity→process→session 三层建模天然适合这种场景。
3. 长期自动化任务（Multi-session 场景） 比如一个负责代码审查的 Agent，一周后回来继续处理同一项目，能从上次失败的路径中学习，而不是重新摸索。
4. OpenClaw / Hermes Agent 的记忆增强 如果你用 OpenClaw 或 Hermes Agent，Memori 提供原生插件，装上就有记忆能力，不需要改一行 Agent 代码。
5. 跨 Agent 共享上下文（团队场景） Memori 支持 process 级别的 attribution，团队中的多个 Agent 可以共享同一实体的记忆，新成员第一天就能获得「老员工」级别的上下文。
⚠️ 坑与注意
1. 默认云托管，数据隐私需评估
Memori 的默认使用方式是连接 api.memorilabs.ai（Memori Cloud），你的 Agent 对话数据会发送到他们的服务器。如果处理敏感代码或内部数据，请先确认你们的合规要求。对于高合规场景，可研究 Memori BYODB（Bring Your Own Database）方案。
BYODB 文档：https://memorilabs.ai/docs/memori-byodb
2. Advanced Augmentation 有速率限制 高级增强功能有免费配额，超出后需要付费。如果只是基础记忆功能（attribution + 自动召回），免费层足够。
# 查看当前配额
python -m memori quota
3. attribution 不设置则完全无效
mem.attribution(entity_id, process_id) 是必须调用的，不调用的话 Memori 不建立任何记忆。这是新手最常踩的坑。
4. LoCoMo 基准是英文测试集 Memori 的 81.95% 准确率基于 LoCoMo 英文长对话基准测试，中文场景的精确召回率未公开披露。实际效果建议在真实用例中验证。
5. Agent 代码改动需引入 SDK 如果现有 Agent 不使用 OpenAI SDK（或不遵循特定调用模式），接入 Memori 需要一定的代码改造。参考各框架集成示例：https://github.com/MemoriLabs/memori-cookbook
🔄 与同类对比
| 维度 | Memori | Mem0 | Zep | LangMem |
|---|---|---|---|---|
| 记忆建模 | entity/process/session 三层 | 用户/Agent 分层 | 简单 session | 基于 LangChain |
| Token 效率 | 很高（1294 tokens/query） | 中等 | 中等 | 较低（全量 RAG） |
| 评估数据 | LoCoMo 81.95% 公开 | 部分公开 | 未公开 | 未公开 |
| LLM 支持 | OpenAI/Anthropic/Gemini 等 | 多种 | 多种 | LangChain 生态 |
| Agent 行为记录 | ✅ 工具调用轨迹 | ❌ 纯对话 | ❌ 纯对话 | 部分 |
| OpenClaw 插件 | ✅ | ❌ | ❌ | ❌ |
| 开源 | ✅（部分） | ❌ | ❌ | ✅ |
| 部署方式 | 云 / BYODB | 云 | 云 | 自托管 |
总结：Memori 在 token 效率和结构化记忆建模上有明显技术优势，评测数据透明度高，OpenClaw/Hermes 有原生插件。如果你在意 Agent 记忆的质量和成本效率，Memori 值得优先评估。
💡 一句话推荐结论
Memori 解决的是 AI Agent「每次会话从零开始」的世纪难题——它不仅记住对话内容，更记录 Agent 的执行轨迹，在 LoCoMo 基准上以 81.95% 准确率和仅 4.97% 的上下文开销领先同类，适合任何需要长期记忆的生产级 AI 应用。
📚 参考来源
- GitHub 官方仓库：https://github.com/MemoriLabs/Memori
- Memori 官网：https://memorilabs.ai
- Memori Cloud 文档：https://memorilabs.ai/docs/memori-cloud/
- OpenClaw 插件文档：https://memorilabs.ai/docs/memori-cloud/openclaw/quickstart.mdx
- Hermes 集成文档：https://memorilabs.ai/docs/memori-cloud/hermes/quickstart.mdx
- Memori 基准测试：https://memorilabs.ai/benchmark
- LoCoMo 论文：https://arxiv.org/abs/2603.19935
- Memori Cookbook（集成示例）：https://github.com/MemoriLabs/memori-cookbook
- NPM 包：https://www.npmjs.com/package/@memorilabs/memori
- PyPI 包：https://pypi.org/project/memori/
- Discord 社区：https://discord.gg/abD4eGym6v