技术深度剖析
AI智能体记忆的核心问题在于延迟、持久性与检索复杂度之间的张力。像Pinecone或Weaviate这样的云端向量数据库虽然能对嵌入向量进行语义搜索，但每次查询都会产生10-50毫秒的网络往返时间（RTT），再加上生成嵌入向量的推理时间。对于一个需要在每次交互中回忆数十个上下文块的智能体来说，这种延迟会灾难性地累积。
SQLite完全绕开了这个问题。由于它在进程内运行，读写操作本质上是内存映射文件操作。在本地数据库上执行一次典型的SQLite SELECT操作只需50-200微秒——比云端向量数据库调用快三个数量级。对于需要存储对话历史、工具调用结果或用户偏好的智能体而言，这一速度优势是决定性的。
但仅有速度还不够。AI智能体需要事务保证：如果智能体在对话中途崩溃，部分状态损坏可能破坏整个会话。SQLite的ACID合规性——特别是通过预写日志（WAL）实现的原子提交和回滚——确保要么所有状态变更都被持久化，要么全部不持久化。这是内存字典或简单JSON文件无法提供的。
智能体在实践中如何使用SQLite：
- 对话历史存储： 每条对话轮次作为`messages`表中的一行，包含`role`、`content`、`timestamp`和`session_id`字段。智能体可以通过简单的SQL过滤器查询“最近50条消息”或“所有关于项目X的消息”。
- 工具调用日志： 调用外部API（如天气、日历）的智能体会将结果存储在`tool_calls`表中，使LLM无需重新执行即可引用过去的输出。
- 用户画像持久化： 长期用户偏好（语言、语气、权限）存储在`users`表中，以原子方式更新。
- 情景记忆： 一些高级实现将SQLite用作轻量级向量存储，通过将嵌入向量存储为BLOB，并借助`sqlite-vss`等SQLite扩展使用余弦相似度。虽然在大规模相似性搜索方面不如专用向量数据库快，但对于智能体规模的数据集（数千到数百万个向量），它已经绰绰有余。
相关开源项目：
- `sqlite-vec`（GitHub，约2000星）：一个零依赖的SQLite向量搜索扩展，增加了`vec_distance_l2`和`vec_distance_cosine`函数。允许智能体直接在SQLite内部进行语义搜索，无需外部服务。
- `LiteLLM`（GitHub，约15000星）：虽然主要是一个LLM代理，但其记忆模块默认使用SQLite作为对话历史和缓存的后端。
- `MemGPT` / `Letta`（GitHub，约12000星）：一个智能体框架，明确使用SQLite作为其“归档记忆”和“回忆记忆”存储，将数据库视为智能体的海马体。
性能对比（单智能体场景）：
| 存储方案 | 读取延迟（p50） | 写入延迟（p50） | 事务支持 | 离线能力 | 运营成本 |
|---|---|---|---|---|---|
| SQLite（本地） | 0.1毫秒 | 0.2毫秒 | 完整ACID | 是 | 0美元（嵌入式） |
| PostgreSQL（本地） | 0.3毫秒 | 0.5毫秒 | 完整ACID | 是 | 服务器维护 |
| Pinecone（云端） | 15毫秒 | 25毫秒 | 无（最终一致性） | 否 | 约0.10美元/GB/月 |
| Redis（内存） | 0.05毫秒 | 0.1毫秒 | 部分（无持久性） | 是 | 内存成本 |
数据结论： 对于智能体规模的记忆，SQLite在延迟、持久性和零运营成本之间提供了最佳平衡。云端向量数据库的读取速度慢150倍，且无法离线运行。Redis更快，但缺乏持久性保证——一次崩溃就会丢失所有记忆。
关键玩家与案例研究
多个知名AI智能体框架和产品已采用SQLite作为其主要记忆后端，验证了这一趋势。
1. Letta（原名MemGPT）
Letta是一个开源智能体框架，明确将智能体记忆建模为分层SQLite数据库。其“归档记忆”存储长期事实，“回忆记忆”存储对话历史——两者均由SQLite支撑。该框架使用SQL查询实现“记忆压力”机制：当智能体的上下文窗口满时，它会将较旧的记忆压缩为SQLite摘要。这使得智能体能够在数千轮对话中保持上下文，而不会超出LLM的上下文限制。
2. AutoGPT
最初的AutoGPT项目虽然现已衍生出许多变体，但长期以来一直使用SQLite作为其“记忆”模块。默认实现将所有智能体思考、计划和结果存储在`messages`表中，使智能体能够在重启后“记住”过去的操作。选择SQLite的简单性是经过深思熟虑的，目的是避免为本质上单用户的智能体设置独立数据库服务器的开销。
3. LangChain的SQLite记忆
LangChain是最流行的LLM应用框架，它提供了`SQLiteChatMessageHistory`类，将对话历史持久化到本地SQLite文件中。虽然LangChain也支持其他后端，但SQLite因其零配置和可靠性而成为默认推荐。