mem0ai/mem0 · 上手攻略

仓库：mem0ai/mem0
链接：https://github.com/mem0ai/mem0
分类：ai · agent-infra · memory
作者：Tom
更新：2026-07-07

这是什么

Mem0（发音 "mem-zero"）是为大语言模型应用设计的通用记忆层，让 AI 记住用户偏好、对话历史和个人习惯，从而实现真正的个性化交互。与直接把历史对话塞进上下文不同，Mem0 会用 LLM 提取、理解和组织记忆，实现自我改进的长期记忆。

核心理念：Add-only（只新增，不覆盖）——记忆不断累积，Mem0 在检索时自动融合时间感知、实体链接和混合信号（语义 + BM25 + 实体匹配），召回最相关的那条记忆，而不是被动地塞入整段历史。

GitHub Stars 60,221，周增 +371，被 YC W25 孵化。

解决什么问题

上下文耗尽：LLM 上下文窗口有限，长期偏好无法全量放入，Mem0 做智能压缩与按需召回。
用户需重复说明偏好：普通 RAG 方案不懂"Alice 喜欢暗色主题"，Mem0 能提取并存储为可推理的事实。
跨会话记忆缺失：Agent 每次重启都是从零开始，Mem0 让 Agent 拥有持久记忆。

快速安装

Python SDK（最常用）

pip install mem0ai

增强混合搜索（推荐）：

pip install "mem0ai[nlp]"
python -m spacy download en_core_web_sm

依赖：需要设置 OPENAI_API_KEY 环境变量（默认用 gpt-5-mini + text-embedding-3-small）。支持 OpenAI、Groq、Azure、Gemini、MiniMax 等多种 LLM，以及 Qwen、HuggingFace embedding 模型。

Node.js SDK

npm install mem0ai

CLI（管理记忆）

npm install -g @mem0/cli   # 或：pip install mem0-cli
mem0 init
mem0 add "Prefers dark mode" --user-id alice
mem0 search "What does Alice prefer?" --user-id alice

核心用法

基础 Python 示例

from mem0 import Memory

# 初始化（默认使用 OpenAI GPT-5-mini + text-embedding-3-small）
memory = Memory()

# 存储记忆
memory.add(
    "Alice works at Google and prefers morning meetings",
    user_id="alice"
)

# 检索最相关记忆
results = memory.search(
    query="What are Alice's work preferences?",
    user_id="alice",
    top_k=3
)

for r in results["results"]:
    print(f"- {r['memory']}")

多级记忆体系

Mem0 支持三层记忆，按场景选用：

# 1. User memory — 跨会话长期记忆
memory.add("...", user_id="alice")

# 2. Session memory — 单次对话内记忆
memory.add("...", session_id="session-123")

# 3. Agent memory — Agent 自身的状态/工具知识
memory.add("...", agent_id="my-agent")

配置自定义 LLM / Embedder

from mem0 import Memory

config = {
    "llm": {
        "provider": "openai",
        "model": "gpt-4o",
        "api_key": "sk-..."
    },
    "embedder": {
        "provider": "openai",
        "model": "text-embedding-3-small"
    },
    "vector_store": {
        "provider": "qdrant",
        "collection_name": "my_memories"
    }
}

memory = Memory.from_config(config)

自托管服务器（Docker）

# 一键启动（创建 admin + 首个 API key）
cd server && make bootstrap

# 手动启动
cd server && docker compose up -d
# 访问 http://localhost:3000 完成初始化向导

硬件要求：文档未列出明确要求，自托管服务器需要 Docker 环境，默认使用 Qdrant（向量库）和 PostgreSQL（+ pgvector）存储记忆。

典型适用场景

场景	说明
AI 助手/客服机器人	记住用户历史问题，提供连续对话体验
Personal AI Companion	长期学习用户偏好，主动适应个人风格
Healthcare	跟踪患者历史和偏好，生成个性化健康建议
游戏/生产力工具	根据用户行为自适应界面和流程
多 Agent 协作	多个 Agent 之间共享记忆上下文

坑与注意

默认依赖 OpenAI：开箱即用依赖 OPENAI_API_KEY，如使用自托管或本地模型需额外配置 embedding 和 LLM。自托管模式下若无 API Key 则不可用。
v2 → v3 迁移：如果是从 v2 升级，存储格式有变化，需参考官方迁移文档。v3 改为 ADD-only 模式，不再有 UPDATE/DELETE 操作。
NLP 增强需额外安装：pip install "mem0ai[nlp]" 和 spacy 模型，否则混合搜索退化为纯语义搜索。
Embedding 模型选择：官方推荐至少 Qwen 600M（gte-Qwen2-1.5B-instruct）级别的 embedding 才能发挥混合搜索优势，text-embedding-3-small 偏弱。
自托管认证：默认开启自托管认证，生产环境需妥善管理 ADMIN_API_KEY；本地开发可设 AUTH_DISABLED=true（仅供临时测试）。

与同类对比

方案	特点	适用场景
Mem0	ADD-only 理念、多级记忆（User/Session/Agent）、混合信号检索（含 BM25 + 实体链接 + 时间感知）	需要长期个性化记忆的 AI 应用
LangChain Memory	与 LangChain 生态紧耦合，简单但功能有限	已在 LangChain 体系内的项目
AutoGen AgentChat Memory	面向多 Agent 协作场景，记忆机制偏薄	多 Agent 对话系统
Plain RAG（向量数据库）	直接存储历史对话，无需额外框架	简单上下文补充，记忆逻辑不复杂时

Mem0 的核心差异：专为 Agent 记忆设计，而非简单的对话历史存储。多级记忆体系 + 时间感知 + 自我改进的提取算法，是其他方案不具备的。

一句话推荐结论

如果你在做 AI 应用且需要让 Agent 记住用户、记住自己、记住世界——Mem0 是目前最专注、开箱体验最好的开源记忆层，上手门槛低，v3 性能大幅提升，值得优先集成。

来源

GitHub README：https://github.com/mem0ai/mem0
官方文档：https://docs.mem0.ai/introduction
Open Source 概述：https://docs.mem0.ai/open-source/overview
Mem0 官方平台：https://app.mem0.ai
官方博客/研究：https://mem0.ai/research
PyPI：https://pypi.org/project/mem0ai/
npm：https://www.npmjs.com/package/mem0ai