Memori
把智能体执行与对话沉淀为可持久化、可检索的结构化记忆。
按维度查看评分与理由
证据显示：SDK 需要 API 密钥，但未明确最小权限原则；用户确认机制缺失；数据流透明度有限，仅提及后台捕获；敏感数据处理未详细说明；依赖安全有 CI 中的 bandit 和 pip-audit，但 pip-audit 失败不阻断；外部影响包括安装插件到 Hermes 目录，但需用户操作；回滚机制未提及；来源归属有作者信息但发布者未验证。扣分原因：缺乏用户确认、数据流不透明、敏感数据处理不明确、回滚缺失。
证据显示：README 与 pyproject 版本一致（3.3.7），CI 配置完整，测试覆盖多个 Python 版本；依赖声明明确，但未验证可用性；失败消息在测试中有体现（如缺失依赖时提示 pip install memori）。扣分原因：依赖可用性未实际验证，失败消息覆盖有限。
证据显示：面向开发者，支持多种 LLM、框架和平台，场景明确（记忆持久化）；能力边界在文档中有所描述（如需要 attribution）；触发机制明确（自动捕获和显式工具）；环境适配广泛（云、VPC、本地）。扣分原因：能力边界和触发精度部分依赖文档，未完全验证。
证据显示：信息架构清晰，有 README、文档链接；安装说明详细（npm、pip）；命名稳定（SDK 名称一致）；示例丰富（快速开始、OpenClaw、Hermes）；已知限制提及较少；许可证为 Apache 2.0；版本号存在，有 CHANGELOG 链接；维护责任有贡献指南。扣分原因：已知限制不充分，版本变更日志未直接提供。
证据显示：输出可用性高，提供 SDK 和 CLI；边际价值明显（解决 agent 记忆问题）；成本效益有基准数据（LoCoMo 87% 准确率，低 token 使用）。扣分原因：成本效益数据未独立验证。
证据显示：README 中的声明有文档和基准支持；跨来源验证有限（仅内部文档）；事实与推断区分较好（基准数据明确标注）。扣分原因：跨来源验证不足。
- 发布者身份未验证，需谨慎对待。
- 数据流透明度有限，后台捕获可能涉及敏感数据，需审查。
- 依赖安全扫描（pip-audit）失败不阻断 CI，可能引入漏洞。
- 回滚机制缺失，升级或配置变更可能难以恢复。
这个 Agent 能做什么，适合哪些场景？
Memori 是面向生产系统的智能体记忆基础设施，提供 Python 和 TypeScript SDK。它通过注册现有 LLM 客户端，在后台记录对话，并按 entity、process 和 session 归属持久化与召回记忆。其 Advanced Augmentation 会将记忆扩展为属性、事件、事实、偏好、关系、规则和技能等结构化内容。项目还提供 OpenClaw 插件、Hermes Agent memory provider，以及供 Claude Code、Codex 等客户端连接的 MCP 服务。README 表述其支持云端、单租户云、VPC、本地部署及 BYODB 路径，但具体部署配置需参照相应文档。
开发者安装 memori 或 @memorilabs/memori 后，创建 Memori() 并以 .llm.register(client) 注册 LLM 客户端；再通过 attribution 关联 entity 和 process。随后对 client.chat.completions.create(...) 的调用会被记录，后续请求可自动获得已持久化的对话记忆。SDK 可用 new_session()、set_session(session_id)、resetSession() 或 setSession(sessionId) 管理会话。OpenClaw 插件会在每轮后捕获对话和执行信息；Hermes provider 提供 memori_recall 与 memori_recall_summary 工具；MCP 端点可由兼容客户端通过 HTTP 连接。
- 为使用 OpenAI Chat Completions 或 Responses API 的客服助手按用户和支持流程保留跨请求偏好与事实。
- 为多步骤执行任务的智能体建立 session 边界，使同一执行过程的交互归入一组记录。
- 为 OpenClaw gateway 部署
@memorilabs/openclaw-memori，在无需改写提示词或智能体代码的情况下保留每轮工具调用、决策和结果。 - 为 Hermes Agent 配置
memory.provider memori，让智能体通过显式 recall 工具检索已完成会话。 - 为使用 Claude Code、Codex、Cursor 或 Warp 的开发者经 HTTP MCP 连接共享编码约定、审阅偏好和项目上下文。
这个 Agent 有哪些优点和局限？
- 同时提供 Python、TypeScript、OpenClaw、Hermes 与 MCP 接入方式，可覆盖 SDK 注入和客户端协议两类集成。
- 记忆归属明确区分 entity、process 与 session，适合多用户、多智能体或多任务的隔离场景。
- 支持 Anthropic、Bedrock、DeepSeek、Gemini、Grok 和 OpenAI，并声明支持流式、非流式、同步与异步调用。
- OpenClaw 集成可自动捕获对话、工具调用、决策和结果，无需修改智能体代码或提示词。
- README 的 SDK 快速开始依赖
MEMORI_API_KEY，并要求配置所选 LLM 提供商的 API 密钥。 - 若未设置 entity 与 process attribution，Memori 不会创建记忆。
- Advanced Augmentation 虽可无账户使用，但默认受速率限制；更高限额需要注册或 API 密钥。
- 自带的 LoCoMo 结果是项目报告的基准测试，实际准确率、token 使用量和成本仍取决于具体工作负载与配置。
如何安装或部署这个 Agent？
TypeScript：运行 npm install @memorilabs/memori。Python：运行 pip install memori。云端快速开始需要设置 MEMORI_API_KEY 和所选 LLM 的 API 密钥；README 的示例使用 OPENAI_API_KEY。OpenClaw 可运行 openclaw plugins install @memorilabs/openclaw-memori，再运行 openclaw plugins enable openclaw-memori。
如何使用这个 Agent？
Python 首次调用可使用：from memori import Memori、from openai import OpenAI、client = OpenAI()、mem = Memori().llm.register(client)，然后执行 mem.attribution(entity_id="user_123", process_id="support_agent")，再调用 client.chat.completions.create(...)。TypeScript 对应为 const client = new OpenAI(); const mem = new Memori().llm.register(client).attribution('user_123', 'support_agent');。MCP 连接示例使用 https://api.memorilabs.ai/mcp/，并传入 X-Memori-API-Key、X-Memori-Entity-Id 和 X-Memori-Process-Id 请求头。
这个 Agent 与同类方案有什么区别？
README 报告：在 LoCoMo 长对话记忆基准中，Memori 达到 87% 总体准确率、平均每查询 721 tokens，并称其优于 Zep、LangMem 和 Mem0；同时称相较完整上下文提示可降低超过 36 倍的上下文成本。该比较仅覆盖 README 所述的基准设置。