Mem0

2026-01-03
3 分钟阅读
108 次浏览
#技术

1. 基础概念

1.1 背景

Mem0（发音为 "mem-zero"）是一款专为 AI 智能体设计的开源记忆管理系统，致力于解决 AI 交互过程中的"遗忘"难题。在传统应用中，用户在不同 AI 工具间切换时，常常会遇到上下文丢失、体验割裂等问题。Mem0 通过提供统一的记忆层，使智能体能够跨会话、跨应用持续保留用户偏好与历史交互信息，从而实现真正的个性化和持续学习体验。

Mem0 的核心愿景是成为用户的"记忆背包"，让关键上下文信息能够在不同 AI 工具之间自由携带和共享。无论是客户支持、个人助手还是医疗咨询等场景，Mem0 都能为智能体赋予持久记忆和上下文感知能力，极大提升个性化交互体验和智能体的实用性。

根据 Mem0 最新的研究论文数据，Mem0 相较于 OpenAI Memory 方案，在准确率上提升了 26%，延迟降低了 91%，同时实现了 90% 的令牌消耗节省。这些显著的性能优势，使 Mem0 成为构建生产级 AI 智能体系统的理想选择。

Announcing our research paper: Mem0 achieves 26% higher accuracy than OpenAI Memory, 91% lower latency, and 90% token savings! Read the paper to learn how we're revolutionizing AI agent memory.'

1.2 核心概念

Mem0 的核心理念体现在以下几个方面：

  1. 记忆处理：利用大语言模型（LLM）自动从对话中提取关键信息，并将其结构化存储，确保上下文的完整性和可追溯性。
  2. 记忆管理：系统能够持续更新和维护存储的记忆内容，自动检测并解决信息冲突，保证记忆的准确性和一致性。
  3. 双重存储架构：创新性地结合了向量数据库（用于高效语义检索）和图数据库（用于实体关系追踪），实现了记忆的多维度管理。
  4. 智能检索系统：通过语义搜索与图查询相结合，能够基于记忆的重要性、时效性等多维度条件，精准检索出最相关的历史信息。
  5. 模型上下文协议（MCP）：提供标准化的协议接口，支持不同 AI 应用间的记忆共享与互通，打破信息孤岛。
  6. 本地化处理：所有数据处理与存储均可在本地完成，极大保障了用户隐私和数据安全，用户对数据拥有完全控制权。

Mem0 支持多级记忆架构，包括：

  • 用户级记忆：跨会话持久化保存用户偏好和历史行为
  • 会话级记忆：记录当前交互的上下文信息
  • 智能体级记忆：存储 AI 系统自身的知识和学习成果

2. 理论框架

2.1 记忆层架构

Mem0 的记忆层架构巧妙结合了大语言模型（LLM）与向量存储技术。LLM 负责从用户与智能体的对话中自动提取关键信息，而向量存储则将这些信息转化为高维向量，实现高效的语义检索。通过这种架构，AI 智能体能够将历史交互与当前上下文有机结合，生成更加相关和个性化的响应。

记忆层的核心工作流程包括：

  1. 信息提取：LLM 对对话内容进行深度分析，自动识别并提取出具有长期价值的关键信息点。
  2. 向量化：将提取出的信息通过嵌入模型转化为向量表示，便于后续的高效检索。
  3. 存储：将向量化后的记忆单元存储到向量数据库中，支持大规模、低延迟的语义检索。
  4. 检索：根据当前用户查询，系统在向量空间中检索出最相关的历史记忆。
  5. 整合：将检索到的记忆与当前对话上下文进行整合，辅助智能体生成更具针对性和连贯性的响应。

这种架构设计，使 Mem0 能够在保证高效率的同时，提供精准且可扩展的记忆检索服务。

2.2 Mem0 如何实现长期记忆

Mem0 的长期记忆系统基于以下核心机制：

  • 采用向量嵌入技术，将语义信息高效存储与检索，确保记忆内容的可扩展性与相关性。
  • 支持跨会话、跨应用维护用户特定的上下文，实现真正的"记忆不丢失"。
  • 内置高效的检索机制，能够快速定位并返回与当前查询最相关的历史互动内容。

核心操作接口

Mem0 对外提供了两大核心 API 接口，便于开发者与记忆层进行交互：

  • add：用于提取对话内容并将其存储为结构化记忆单元。
  • search：根据用户查询，检索并返回最相关的历史记忆内容。

添加记忆流程

添加记忆的操作流程如下图所示：

image.png

  1. 信息提取：LLM 从对话中自动提取出相关记忆，识别重要实体及其关系。
  2. 冲突解决：系统会将新提取的信息与现有记忆进行比对，自动识别并解决潜在的矛盾或重复内容，确保记忆的准确性。
  3. 记忆存储：最终的记忆内容会被存储到向量数据库中，同时相关的实体关系会同步到图数据库中。每次用户与智能体的互动，都会不断丰富和完善记忆库。

检索记忆流程

记忆检索的操作流程如下图所示：

image.png

  1. 查询处理：LLM 首先对用户的查询进行理解和优化，系统自动生成针对性的检索过滤条件。
  2. 向量搜索：系统在向量数据库中执行高效的语义搜索，根据与查询的相关性对结果进行排序，并可按用户、代理、元数据等多维度进行过滤。
  3. 结果处理：系统将检索到的结果进行合并和排序，最终返回带有相关性分数、元数据和时间戳的记忆内容，供智能体进一步使用。

这种多步骤、语义驱动的检索方式，确保了无论是查找特定信息还是探索相关概念，Mem0 都能提供高质量的记忆检索体验。

本小节内容来源于 mem0.ai : Memory Operations

2.3 Mem0 图记忆

Mem0 现已支持图形记忆（Graph Memory），通过引入图数据库，用户可以创建和利用信息片段之间的复杂关系，实现更细致入微且具备情境感知的响应。这种集成让用户能够同时发挥基于向量和基于图结构的优势，提升信息检索的准确性和全面性。

示例用法

以下示例展示了如何使用 Mem0 的图形操作：

  1. 首先，为名为 Alice 的用户添加一些记忆。
  2. 随着记忆的不断添加，图结构会自动演化，实体和关系被自动提取和连接。
  3. 用户可以直观地看到记忆网络的变化。
添加记忆

（1）添加记忆"我喜欢去远足"

Python 代码： m.add("I like going to hikes", user_id="alice123")

image.png

（2）添加记忆"我喜欢打羽毛球"

Python 代码： m.add("I love to play badminton", user_id="alice123")

image.png

（3）添加记忆"我讨厌打羽毛球"

Python 代码： m.add("I hate playing badminton", user_id="alice123")

image.png

（4）添加记忆"我的朋友叫约翰，约翰有一只名叫汤米的狗"

Python 代码： m.add("My friend name is john and john has a dog named tommy", user_id="alice123")

image.png

（5）添加记忆"我的名字是爱丽丝"

Python 代码： m.add("My name is Alice", user_id="alice123")

image.png

（6）添加记忆"约翰喜欢徒步旅行，哈利也喜欢徒步旅行"

Python 代码： m.add("John loves to hike and Harry loves to hike as well", user_id="alice123")

image.png

（7）添加记忆"我的朋友彼得是蜘蛛侠"

Python 代码： m.add("My friend peter is the spiderman", user_id="alice123")

image.png

搜索记忆

（1）搜索名字

Python 代码： m.search("What is my name?", user_id="alice123")

image.png

（2）搜索：蜘蛛侠

Python 代码： m.search("Who is spiderman?", user_id="alice123")

image.png

备注：图记忆的实现并非独立，而是与向量存储协同工作。每次添加或检索记忆时，系统会同时操作向量数据库和图数据库，实现信息的多维度管理。

本小节内容来源于 mem0.ai : Example Usage

2.4 OpenMemory MCP

OpenMemory MCP（模型上下文协议）是 Mem0 的核心协议层，旨在为 AI 交互提供本地化的"记忆背包"。MCP 作为统一的记忆基础设施，支持多种 AI 应用（如 Claude Desktop、Cursor、Windsurf 等）通过标准化协议连接，实现跨工具的记忆共享。所有数据均在本地存储，确保用户对数据的绝对隐私和控制权。

MCP 提供了四个核心 API：

  1. add_memories：存储新的记忆对象
  2. search_memory：基于相关性和上下文检索记忆
  3. list_memories：查看所有存储的记忆
  4. delete_all_memories：清除所有记忆

接口示例：

  • add_memories：存储新的记忆对象

    POST /add_memories
{
  "memories": [
    {
      "role": "user",
      "content": "我喜欢科幻电影，尤其是星际穿越。"
    },
    {
      "role": "assistant",
      "content": "星际穿越确实是一部经典的科幻电影！我会记住你喜欢这类电影。"
    }
  ],
  "user_id": "alice",
  "metadata": {
    "category": "movies"
  }
}

  • search_memory：基于相关性和上下文检索记忆

    POST /search_memory
{
  "query": "我喜欢什么类型的电影？",
  "user_id": "alice",
  "limit": 5
}

  • list_memories：查看所有存储的记忆

    POST /list_memories
{
  "user_id": "alice"
}

  • delete_all_memories：清除所有记忆

    POST /delete_all_memories
{
  "user_id": "alice"
}

OpenMemory MCP 的最大优势在于其完全本地化运行，既保障了用户数据的隐私和安全，又通过标准化协议实现了跨应用的记忆共享和无缝集成。

2.5 原理描述

记忆提取与存储

Mem0 利用 LLM 从对话中自动提取关键信息。该过程包括：

  1. 分析对话内容，识别重要信息点
  2. 将信息结构化为可检索的记忆单元
  3. 为记忆分配相关性标签和类别
  4. 将记忆存储在向量数据库中

以下是一个简化的记忆提取流程示例：

def extract_and_store_memory(messages, user_id, metadata=None):
    # 使用 LLM 提取关键信息
    extracted_info = llm.extract_key_information(messages)
    
    # 结构化为记忆单元
    memory_unit = {
        "content": extracted_info,
        "source_messages": messages,
        "user_id": user_id,
        "timestamp": datetime.now(),
        "metadata": metadata or {}
    }
    
    # 向量化记忆
    vector = embedder.embed(extracted_info)
    
    # 存储在向量数据库中
    vector_store.add(vector, memory_unit)
    
    return memory_unit

记忆检索机制

当需要检索记忆时，Mem0 会：

  1. 将用户查询转换为向量表示
  2. 在向量空间中搜索相似的记忆
  3. 根据相关性、时效性和重要性对结果排序
  4. 返回最相关的记忆供 AI 使用

以下是一个简化的记忆检索流程示例：

def retrieve_memories(query, user_id, limit=5):
    # 向量化查询
    query_vector = embedder.embed(query)
    
    # 在向量空间中搜索相似记忆
    similar_memories = vector_store.search(
        query_vector, 
        filter={"user_id": user_id},
        limit=limit
    )
    
    # 根据相关性、时效性和重要性排序
    ranked_memories = rank_memories(similar_memories)
    
    return ranked_memories

架构组件分析

Mem0 的架构包含以下关键组件：

  • LLM 处理器：负责记忆提取和自然语言理解
  • 向量存储：用于高效的语义搜索
  • 图数据库：用于追踪记忆间的关系
  • MCP 服务器：提供标准化 API 接口
  • 客户端 SDK：便于开发者集成 Mem0 功能

这些组件协同工作，为 AI 智能体提供完整的记忆管理解决方案。

╔════════════════════════════════════════════════════════════════╗ ║ 候选记忆流程说明 ║ ╠════════════════════════════════════════════════════════════════╣ ║ [1] 用户消息 (User Message) ║ ║ ↓ ║ ║ [2] 解析消息 (Parse Messages) ║ ║ ↓ ║ ║ [3] LLM 抽取事实 (Extract New Facts) ║ ║ ↓ ║ ║ [4] 对每个事实执行向量搜索 (Vector Search) ║ ║ ↓ ║ ║ [5] 获取候选旧记忆 (Retrieve Old Memories) ║ ║ ↓ ║ ║ [6] LLM 决策: ADD / UPDATE / DELETE / NONE ║ ║ ↓ ║ ║ [7] 执行向量数据库操作 (Execute DB Operation) ║ ╚════════════════════════════════════════════════════════════════╝

参考文章：(9 封私信) 解决LLM遗忘问题：Mem0架构深度解析 - 知乎

目前整体可跑通，

待完善部分：

  • LLM决策部分：当前存在分组混乱的问题，只会add和update不会delete，例如：

【education】

  • 是一个学生 【personal】
  • 我是一个老师
  • 是一个老师
  • 向量化维度低
← 返回首页