产品介绍
Memori 推出了全新的 agent 原生记忆基础设施，使 agent 能够直接从执行轨迹中创建结构化的长期记忆——包括执行路径、工具调用结果、工作流步骤、执行结果和决策逻辑。这意味着记忆不仅来源于对话，还来源于 agent 的实际行为。基准测试结果：在 LoCoMo 上达到 81.95% 的准确率，每次查询仅使用 1,294 个 token，约为全上下文成本的 5%，节省 95% 以上的推理开销。目前已获得 15K GitHub 星标和超过 200,000 次下载。
适合谁关注
- 开发者和技术团队
- 正在评估 AI 工具或智能体落地的团队
可借鉴场景
- 快速理解 Memori 的定位、核心能力和 Product Hunt 热度
- 判断“从 agent 执行轨迹中构建持久记忆，而非仅依赖对话”这类需求是否值得做竞品调研
- 沿着 开发者工具、AI 与智能体 继续发现同类产品和替代方案
- 筛选高票产品，观察海外用户当前愿意投票支持的产品形态
- 结合评论热度，判断该产品是否有真实讨论和早期用户反馈
132
投票数
21
评论数
5月28日
发布日期
作者自荐
总结
Memori 瞄准了当前 AI agent 生态中一个关键但常被忽视的基础设施缺口——长期记忆管理。现有 agent 系统普遍依赖对话历史作为上下文来源，这不仅导致 token 消耗高昂，还丢失了大量执行层面的关键信息。Memori 的创新在于将记忆来源从对话扩展到执行轨迹，通过知识图谱实现结构化存储，使 agent 能够"记住"自己做过什么、决策逻辑是什么。在 LoCoMo 基准上以仅 5% 的上下文成本实现 81.95% 准确率，性价比优势显著。15K GitHub 星标和 20 万次下载验证了开发者社区的认可。面临的挑战在于如何在复杂多 agent 协作场景中保持记忆一致性，以及如何与主流 agent 框架深度集成。整体而言，这是 agent 基础设施层面一个值得关注的底层能力构建。
GitMemo免费开源
把 AI 对话保存到你的 Git 知识库
本地优先，支持 macOS 与 Android。剪贴板、截图、笔记和文件都能集中保存、搜索、同步。
获取安装包
查看 Memori 的工作原理：https://memorilabs.ai/benchmark/#demo 选择一个任务，实时观察两个 agent 的运行：https://memorilabs.ai/agent-trace/#demo 大多数面向客户的 AI agent 受限于短期记忆约束，而 Memori 带来了长期持久记忆。与依赖长篇自然语言对话历史的传统记忆系统不同，Memori 使 agent 能够直接从执行轨迹中自动创建结构化的长期记忆——包括执行路径、工具调用结果、工作流步骤、执行结果和决策逻辑。 - 为 AI agent 提供结构化持久记忆——Memori 用结构化知识图谱取代扁平的 markdown 记忆文件，跨会话捕捉事实、决策、结果和模式，同时不会膨胀提示词。 - 基于 agent 的实际行为，而非仅基于对话——Memori 在捕捉对话内容的同时，还记录工具调用、执行轨迹和实时决策，为 agent 提供更完整的历史任务执行视图。 - agent 自主控制的智能检索——agent 自行决定何时检索、检索什么，可按项目、会话、实体或时间范围精确限定，消除无关上下文和跨项目噪音。 - 自动构建记忆，零延迟影响——记忆在每次交互后异步结构化和更新，不会拖慢 agent 的响应速度。 - 更智能的每日简报——Memori 基于执行轨迹和结构化记忆生成每日简报，涵盖优先事项、风险、活跃目标、待处理事项和已知故障模式，远超简单的对话回顾。 - 为多用户、多项目环境而构建——记忆按项目、流程、会话和实体完全隔离，防止数据在用户和上下文之间泄漏。 - 生产级可观测性——通过 Memori Cloud 全面查看记忆创建、检索活动、检索性能和配额使用情况。