MemX × Kova × Lurus API

搭建有记忆的 AI 客服

目标：30 分钟内跑通一个能记住用户历史问题、崩溃自动恢复、按需蒸馏知识的客服 Agent。

30 分钟跑通目标

6 步从依赖到回写

3 服务MemX · Kova · API

架构图

三个服务各司其职：MemX 负责长期记忆的召回与蒸馏，Lurus API 负责 LLM 调用，Kova WAL 负责状态持久化与崩溃恢复。

有记忆 AI 客服架构

graph LR
  U[用户] --> W[Web 前端]
  W -->|HTTP| A[Agent App]
  A -->|1. 召回| M[MemX]
  A -->|2. LLM| L[Lurus API]
  A -->|3. 状态| K[Kova WAL]
  A -->|4. 写入| M
  L --> A
  M --> A

6 步骤

1. 准备依赖

   pip install lurus memx-client kova-py lumen-ai openai

2. 初始化三个服务

   from openai import OpenAI
   from memx import Memory
   from kova import KovaClient
   
   llm = OpenAI(base_url="https://hub.lurus.cn/v1", api_key="sk-...")
   mem = Memory(config={"ace_enabled": True})
   kova = KovaClient("kova://localhost")

3. 定义 Agent 状态

   from typing import TypedDict, Annotated, Sequence
   
   class State(TypedDict):
       user_id: str
       messages: Annotated[Sequence, "chat history"]
       relevant_memory: list

4. 召回历史 — 从 MemX 取回与当前问题相关的记忆

   def retrieve_memory(state: State) -> State:
       last = state["messages"][-1]["content"]
       hits = mem.search(last, user_id=state["user_id"], limit=5)
       return {**state, "relevant_memory": hits}

5. 调 LLM 并返回 — 把召回的事实注入 system prompt

   def respond(state: State) -> State:
       context = "\n".join(h["text"] for h in state["relevant_memory"])
       resp = llm.chat.completions.create(
           model="deepseek-chat",
           messages=[
               {"role": "system", "content": f"已知事实:\n{context}"},
               *state["messages"],
           ],
       )
       reply = resp.choices[0].message.content
       return {**state, "messages": [*state["messages"], {"role": "assistant", "content": reply}]}

6. 蒸馏回写 — 把新对话写回 MemX，下次召回即可用

   def distill(state: State) -> State:
       mem.add(
           list(state["messages"][-2:]),
           user_id=state["user_id"],
           scope="support:general",
       )
       return state

加 Kova 崩溃恢复

把 Kova 作为 LangGraph 的 checkpointer 接上，Agent 崩溃后从 WAL 恢复，不重调 LLM：

from kova.langgraph import KovaCheckpointer

graph = wf.compile(checkpointer=KovaCheckpointer(kova))

为什么不重调 LLM

Kova 每步执行预写日志（WAL）。进程崩溃后，引擎从断点重放执行状态，已完成的 LLM 调用不会再次发出——既省 Token，又保证回答一致。

完整项目产物

示例仓库

https://github.com/hanmahong5-arch/lurus-examples/tree/main/memory-agent — 含代码完整版、docker-compose.yml（本地起 MemX + Kova）、Pytest 覆盖三节点、.env.example。

下一步

下一步

加入 Lumen 可观测深入 MemX 概念部署到 Kova 集群