# feat: Memori 长期记忆系统集成

## 概述

将 Memori (https://github.com/MemoriLabs/Memori) 的 SQL 原生长期记忆能力集成到现有 Agent 系统 (`create_agent` 和 `create_deep_agent`) 中，为用户提供跨会话的持久化记忆功能。

## 背景

### 当前状态

系统目前使用两种 Agent 类型：
- **general_agent**: 基于 `langchain.agents.create_agent`
- **deep_agent**: 基于 `deepagents.create_deep_agent`

现有的记忆管理：
- `CheckpointerManager`: PostgreSQL checkpoint 持久化
- `ChatHistoryManager`: 聊天记录存储
- `AgentMemoryCacheManager`: MCP 工具缓存

**痛点**：
- Agent 无法跨会话记住用户偏好、历史事实
- 没有语义搜索能力来检索相关历史信息
- 需要手动管理记忆提取和存储逻辑

### Memori 简介

Memori 是一个开源 Python SDK，提供：
- **自动对话跟踪** - 捕获所有 LLM 交互
- **高级增强** - AI 驱动的事实、偏好、技能、事件提取
- **语义搜索** - 基于 FAISS/向量嵌入的召回
- **零延迟** - 后台处理不阻塞响应
- **基础设施无关** - 支持 SQLite/PostgreSQL/MySQL/MongoDB

## 拟议方案

### 架构设计

```mermaid
graph TB
    subgraph "FastAPI 应用"
        A[AgentConfig] --> B[init_agent]
        B --> C{robot_type}
        C -->|general_agent| D[create_agent]
        C -->|deep_agent| E[create_deep_agent]
    end

    subgraph "Memori 集成层"
        F[MemoriManager] --> G[MemoriMiddleware]
        G --> H[before_agent - 记忆召回]
        G --> I[after_agent - 记忆存储]
    end

    subgraph "数据存储"
        J[(PostgreSQL)]
        J1[memori_* 表]
        J2[checkpoints 表]
        J3[chat_messages 表]
        J --> J1
        J --> J2
        J --> J3
    end

    D --> G
    E --> G
    F --> J
```

### 核心组件

#### 1. MemoriManager (`agent/memori_manager.py`)

```python
class MemoriManager:
    """Memori 连接和实例管理"""

    def __init__(self, db_pool: AsyncConnectionPool):
        self.pool = db_pool
        self._instances: Dict[str, Memori] = {}

    async def get_memori(
        self,
        bot_id: str,
        user_identifier: str,
        session_id: str
    ) -> Memori:
        """获取或创建 Memori 实例"""
        cache_key = f"{bot_id}:{user_identifier}"

        if cache_key not in self._instances:
            # 创建 Memori 实例
            mem = Memori(conn=self._get_session())
            mem.attribution(
                entity_id=user_identifier,  # 用户
                process_id=bot_id           # Bot
            )
            self._instances[cache_key] = mem

        # 设置会话
        self._instances[cache_key].set_session(session_id)
        return self._instances[cache_key]
```

#### 2. MemoriMiddleware (`agent/memori_middleware.py`)

```python
class MemoriMiddleware(AgentMiddleware):
    """Agent 记忆中间件"""

    def __init__(self, memori: Memori, config: MemoriConfig):
        self.memori = memori
        self.config = config

    async def abefore_agent(
        self,
        state: AgentState,
        runtime: AgentRuntime
    ) -> AgentState:
        """Agent 执行前：召回相关记忆"""
        query = state["messages"][-1]["content"]

        # 语义搜索
        memories = self.memori.recall(
            query=query,
            limit=self.config.semantic_search_top_k
        )

        # 注入到系统提示
        if memories:
            memory_context = self._format_memories(memories)
            state = self._inject_memory_context(state, memory_context)

        return state

    async def aafter_agent(
        self,
        state: AgentState,
        runtime: AgentRuntime
    ) -> AgentState:
        """Agent 执行后：后台提取记忆（非阻塞）"""
        # 触发后台增强
        asyncio.create_task(self._async_augment(state))
        return state
```

#### 3. 配置扩展 (`agent/agent_config.py`)

```python
@dataclass
class AgentConfig:
    # ... 现有字段 ...

    # Memori 配置
    enable_memori: bool = False
    memori_api_key: Optional[str] = None
    memori_semantic_search_top_k: int = 5
    memori_semantic_search_threshold: float = 0.7
```

### 集成点修改

#### `init_agent()` 函数修改 (`agent/deep_assistant.py`)

```python
async def init_agent(config: AgentConfig) -> tuple[agent, checkpointer]:
    # ... 现有代码 ...

    # 新增：Memori 初始化
    memori_middleware = None
    if config.enable_memori:
        memori_manager = get_memori_manager()
        memori = await memori_manager.get_memori(
            bot_id=config.bot_id,
            user_identifier=config.user_identifier,
            session_id=config.session_id
        )

        memori_config = MemoriConfig(
            semantic_search_top_k=config.memori_semantic_search_top_k,
            semantic_search_threshold=config.memori_semantic_search_threshold
        )
        memori_middleware = MemoriMiddleware(memori, memori_config)

    # 中间件顺序调整
    middleware = [
        ToolUseCleanupMiddleware(),
        ToolOutputLengthMiddleware(),
        # Memori 在指南之前注入记忆
        *(memori_middleware,) if memori_middleware else (),
    ]

    if config.enable_thinking:
        middleware.append(GuidelineMiddleware(...))

    # ... 其余代码 ...
```

## 技术考虑

### 多租户隔离

| 隔离级别 | 字段 | 用途 |
|---------|------|------|
| 实体级 | `entity_id = user_identifier` | 用户数据隔离 |
| 进程级 | `process_id = bot_id` | Bot/Agent 隔离 |
| 会话级 | `session_id` | 对话隔离 |

**查询模式**：
```sql
-- 用户在某 Bot 下的所有记忆
SELECT * FROM memori_entity_fact
WHERE entity_id = :user_identifier
AND process_id = :bot_id;

-- 用户在特定会话的记忆
SELECT * FROM memori_entity_fact
WHERE entity_id = :user_identifier
AND process_id = :bot_id
AND session_id = :session_id;
```

### 中间件执行顺序

```
ToolUseCleanupMiddleware → 清理孤立的 tool_use 块
         ↓
MemoriMiddleware → 召回相关记忆，注入上下文
         ↓
ToolOutputLengthMiddleware → 控制工具输出长度
         ↓
GuidelineMiddleware → 添加思考（如果启用）
         ↓
Agent 执行
         ↓
MemoriMiddleware → 后台提取新记忆（非阻塞）
```

### 性能考量

| 操作 | 目标延迟 | 缓存策略 |
|------|----------|----------|
| 记忆召回 | <200ms p95 | Redis 常用查询缓存 |
| 记忆存储 | 后台异步 | 批量写入 |
| 向量搜索 | <100ms | FAISS 索引 |

### 安全考虑

1. **PII 检测** - 存储前过滤敏感信息（邮箱、电话、信用卡）
2. **数据隔离** - 应用层 WHERE 子句强制租户隔离
3. **GDPR 合规** - 提供记忆删除/导出 API

## 验收标准

### 功能需求

- [ ] **基本记忆功能**
  - [ ] Agent 能记住用户跨会话提供的信息（姓名、偏好等）
  - [ ] 支持语义搜索召回相关历史记忆
  - [ ] 记忆在后台异步提取，不阻塞响应

- [ ] **多租户支持**
  - [ ] 用户数据按 `user_identifier` 隔离
  - [ ] Bot 数据按 `bot_id` 隔离
  - [ ] 会话数据按 `session_id` 隔离

- [ ] **配置控制**
  - [ ] `enable_memori` 开关控制功能启用
  - [ ] 可配置召回记忆数量 (`semantic_search_top_k`)
  - [ ] 可配置相关性阈值 (`semantic_search_threshold`)

### 非功能需求

- [ ] **性能**
  - [ ] 记忆召回延迟 <200ms p95
  - [ ] 不增加 Agent 首字响应延迟

- [ ] **可靠性**
  - [ ] Memori 服务故障时 Agent 仍可工作（降级模式）
  - [ ] 连接池管理和重试机制

- [ ] **安全**
  - [ ] PII 检测和过滤
  - [ ] 租户数据隔离验证

- [ ] **测试**
  - [ ] 单元测试覆盖率 >80%
  - [ ] 集成测试覆盖主要用户流程

## 成功指标

| 指标 | 测量方法 | 目标 |
|------|----------|------|
| 记忆召回准确率 | 用户反馈/A/B测试 | >80% 相关度 |
| 记忆提取覆盖率 | 对话分析 | >60% 关键信息 |
| 响应延迟影响 | 延迟对比 | <50ms 增加 |
| 用户满意度 | 反馈评分 | >4.0/5.0 |

## 依赖关系与风险

### 依赖项

| 依赖 | 类型 | 状态 |
|------|------|------|
| `memori` Python 包 | 外部 | 需添加 |
| PostgreSQL 数据库 | 内部 | ✅ 已有 |
| 连接池管理 | 内部 | ✅ 已有 |
| Agent 中间件框架 | 内部 | ✅ 已有 |

### 风险分析

| 风险 | 影响 | 缓解措施 |
|------|------|----------|
| Memori API 配额超限 | 记忆提取失败 | 实现降级模式，监控配额 |
| 多租户数据泄露 | 安全问题 | 应用层强制隔离，添加测试 |
| 语义搜索延迟高 | UX 下降 | 添加缓存，设置超时 |
| 与 AgentMemoryMiddleware 冲突 | 功能异常 | 明确职责分离，集成测试 |

## 实施阶段

### Phase 1: 技术验证

- [ ] 设置 Memori 开发环境
- [ ] 创建 PoC 验证基本功能
- [ ] 数据库 Schema 兼容性检查
- [ ] 中间件集成原型

### Phase 2: 核心实现

- [ ] 实现 `MemoriManager`
- [ ] 实现 `MemoriMiddleware`
- [ ] 修改 `init_agent()` 集成逻辑
- [ ] 添加配置到 `AgentConfig` 和 `settings.py`

### Phase 3: 测试与优化

- [ ] 单元测试
- [ ] 集成测试
- [ ] 性能基准测试
- [ ] 安全测试

### Phase 4: 逐步上线

- [ ] 添加功能开关
- [ ] 内部测试 (1% 流量)
- [ ] Beta 用户 (10% 流量)
- [ ] 全量上线

## 文件清单

### 新建文件

```
qwen-agent/
├── agent/
│   ├── memori_manager.py          # Memori 连接管理
│   ├── memori_middleware.py       # Agent 中间件实现
│   └── memori_config.py           # 配置数据类
├── tests/
│   ├── test_memori_manager.py     # 单元测试
│   ├── test_memori_middleware.py  # 中间件测试
│   └── test_memori_integration.py # 集成测试
└── utils/
    └── settings.py                # [修改] 添加 MEMORI_* 配置
```

### 修改文件

```
qwen-agent/
├── agent/
│   ├── deep_assistant.py          # [修改] init_agent() 集成 Memori
│   └── agent_config.py            # [修改] 添加 memori 配置字段
└── pyproject.toml                 # [修改] 添加 memori 依赖
```

## 配置示例

### 环境变量 (`utils/settings.py`)

```python
# Memori 配置
MEMORI_ENABLED = os.getenv("MEMORI_ENABLED", "true") == "true"
MEMORI_API_KEY = os.getenv("MEMORI_API_KEY", "")
MEMORI_SEMANTIC_SEARCH_TOP_K = int(os.getenv("MEMORI_SEMANTIC_SEARCH_TOP_K", "5"))
MEMORI_SEMANTIC_SEARCH_THRESHOLD = float(os.getenv("MEMORI_SEMANTIC_SEARCH_THRESHOLD", "0.7"))
MEMORI_EMBEDDING_MODEL = os.getenv("MEMORI_EMBEDDING_MODEL", "paraphrase-multilingual-MiniLM-L12-v2")
```

### 依赖添加 (`pyproject.toml`)

```toml
[tool.poetry.dependencies]
memori = "^3.1.0"
```

## 待解决问题

### 优先级 1: 关键问题

1. **多租户隔离执行位置** - 应用层 vs 数据库层 RLS？
2. **连接池共享** - 与 CheckpointerManager 共享还是独立？
3. **async/await 兼容性** - Memori 的同步 wait() 如何与 FastAPI 集成？
4. **PII 检测策略** - 存储前/后检测，允许/拒绝列表？
5. **中间件执行顺序** - 与 GuidelineMiddleware/SummarizationMiddleware 的相对顺序

### 优先级 2: 重要问题

6. **功能开关策略** - 请求级/会话级/全局？
7. **延迟预算** - 记忆召回目标延迟？
8. **AgentMemoryMiddleware 兼容性** - 如何避免冲突？
9. **多语言嵌入模型** - 使用哪个模型支持 ja/zh/en？
10. **记忆保留策略** - 保留多久，如何归档？

## 参考资料

### 内部参考

- Agent 创建: `/Users/moshui/Documents/felo/qwen-agent/agent/deep_assistant.py`
- Agent 配置: `/Users/moshui/Documents/felo/qwen-agent/agent/agent_config.py`
- 中间件基类: `deepagents.agent.AgentMiddleware`
- Checkpointer: `/Users/moshui/Documents/felo/qwen-agent/agent/checkpoint_manager.py`

### 外部参考

- [Memori GitHub](https://github.com/MemoriLabs/Memori)
- [Memori 文档](https://memorilabs.ai/docs)
- [LangGraph Memory 文档](https://docs.langchain.com/oss/python/langgraph/add-memory)
- [pgvector 向量搜索](https://github.com/pgvector/pgvector)