这篇是我整理的一份 Mem0 项目笔记。我想沿着一条记忆的写入与取用,把它在 Agent 中的位置理清楚:哪些信息值得保存,保存后怎样找到,找到的内容又怎样影响下一次回答。
许多 Agent 已经有自己的记忆机制。理解 Mem0,需要进一步看它把哪些工作封装成了可复用的能力,以及这些能力什么时候值得接入。记忆条目变多、使用入口变多以后,提取、搜索、范围管理和信息更正就会成为具体的工程问题。
文章先讨论使用动机与整体关系,再拆解开源引擎的写入、检索和管理流程,随后给出接入示例,最后结合个人助手、编码 Agent 和多 Agent 协作看实际用法。如果你也在梳理 Agent 记忆,欢迎一起读下去,也欢迎分享自己的理解和实践经验。
1 为什么使用 Mem0:相比 Agent 内置记忆补足了什么
已有记忆:为什么还需要独立的记忆层
Agent 的记忆可以有不同用途。会话记录保留交互,执行检查点帮助恢复运行位置,文件中的项目规则提供稳定约束,跨会话笔记则积累偏好与经验。
这些能力已经能解决不少问题。例如,Claude Code 的记忆机制支持项目指令和自动记忆,索引与主题文件共同组织跨会话信息。LangGraph也提供线程状态保存和跨线程的长期 Store,后者能够按 namespace 管理资料,并进行语义搜索。
当应用希望从持续交互中提取事实,按用户和任务范围检索,在多个 Agent 或客户端中复用,并提供统一的更正与删除入口时,就需要把这些处理接起来。Mem0将相当一部分工作组织为记忆引擎,应用通过 add、search、update、delete 等接口使用。
| 已有方案 | 已经能够做什么 | 新需求可能落在哪里 | Mem0 可以补充什么 |
|---|---|---|---|
| 会话历史与执行检查点 | 保存消息、工具交互或运行状态,支持继续任务 | 从大量交互中提取值得长期复用的事实 | 提取、保存和检索记忆;执行恢复仍由原系统承担 |
| 文件式记忆与自动笔记 | 保存项目约定、偏好和经验,便于直接查阅 | 多应用复用、按用户搜索、统一维护接口 | 提供独立的写入、搜索与管理路径 |
| 框架长期 Store | 跨线程保存资料,按命名空间和过滤条件查找 | 怎样提取事实、处理候选与组织检索组件 | 提供更具体的记忆处理与后端适配 |
| 自行组合检索与存储 | 按业务需要控制数据和算法 | 提取、索引、查询与管理逻辑的开发维护 | 复用已有组件,再保留应用自己的策略 |
表中的增量价值是工程上的封装与复用。具体效果仍取决于任务、模型、数据和接入方式,不能从接口数量直接推出准确率更高或费用更低。
使用价值:哪些需求更适合 Mem0
Mem0 更值得考虑的情况,是记忆需要脱离某一个会话或客户端持续使用。例如,同一用户在不同入口与 Agent 交互,希望它们能够查到相同的有效偏好;或者多个角色需要复用项目事实,而不必各自重新阅读全部历史。
这要求应用正确映射身份,连接同一份存储或服务,并决定信息的共享范围。Mem0 提供相关接口与过滤能力,应用仍要负责访问授权、调用时机和最终输入组装。
如果只是保存少量项目规则,文件记忆通常更直接;如果需要恢复任务执行位置,运行框架的检查点更贴近问题。引入 Mem0 后,还要承担提取模型、embedding、存储和检索的成本,并处理抽取错误与信息变化。是否值得,取决于它是否减少了当前系统中真实存在的工作。
相邻概念:上下文、RAG 与向量数据库怎样配合
上下文是模型本次看到的内容。Mem0 中保存的记忆只有被取回并加入请求,才可能影响这次回答。保存成功本身不会让模型凭空知道这些信息,也不等同于训练模型权重。
RAG 和 Mem0 都可以通过检索为模型补充材料。区别要结合保存对象与处理流程看:文档检索常围绕已有材料组织索引,Mem0 则提供从交互中提取、保存和管理记忆的路径。一个应用可以同时查询文档知识和用户记忆,再按任务需要组装输入。
向量数据库承担其中的存储与相似性检索。Mem0 在它周围还组织提取、范围、排序和管理逻辑。理解这些关系以后,就可以继续看它实际连接了哪些组件。
2 整体架构:记忆怎样分类,又怎样进入应用
理解 Mem0 时,可以先看一条记忆属于谁、记录什么、需要保留多久,再看引擎怎样加工和保存。这里的作用域、内容类型与生命周期描述不同维度,不能直接拼成一棵固定的层级树。
记忆作用域:用户、Agent、运行与应用怎样区分
Mem0 所说的多层记忆,常与用户、Agent 和会话范围有关。这些范围回答的是“记忆归属于谁,查询时按什么条件找”,而不是记忆内容的深浅。
| 作用域 | 对应字段 | 主要含义 | 典型内容 |
|---|---|---|---|
| 用户记忆 | user_id | 围绕同一用户持续组织信息 | 语言偏好、个人背景、长期目标 |
| Agent 记忆 | agent_id | 围绕某个 Agent 或角色组织信息 | 工作方式、角色约定、可复用经验 |
| 会话/运行记忆 | run_id | 标识某次对话、任务或工作流 | 本次任务的决定、观察与处理经过 |
| 应用范围 | app_id | 区分应用或产品入口,属于 Platform 的范围能力 | 同一用户在不同应用中的记忆范围 |
这些字段可以共同约束查询,但不构成“用户下面自动包含 Agent、Agent 下面自动包含会话”的继承关系。Platform 的默认提取还会按发言来源,将事实分别归属于用户或 Agent;在写入请求中同时提供两种标识,不等于每条生成的记录都同时具有两者。官方作用域说明
OSS 主要使用 user_id、agent_id 和 run_id。应用可以在 metadata 中增加项目、信息类型等业务字段,但这些字段不会自动获得 Platform 的 app_id 管理语义。搜索时怎样组合身份和业务条件,还需要与实际保存的记录一致。
记忆内容:语义、情景与程序性分别记录什么
归属相同的记忆,可以记录完全不同的内容。从内容理解,语义、情景和程序性是三种常见区分;Mem0 的类型枚举也定义了这三个名称。
| 内容类型 | 主要回答的问题 | 记录的内容 | 示例 |
|---|---|---|---|
| 语义记忆 Semantic | 知道什么、哪些事实成立 | 知识、偏好、约定及背景事实 | 用户希望用中文回答;项目使用 PostgreSQL |
| 情景记忆 Episodic | 某次具体发生了什么 | 带情境的经历、事件及其结果 | 上次部署因缺少环境变量失败 |
| 程序性记忆 Procedural | 遇到问题应该怎样做 | 步骤、方法、工作流程与经验规则 | 部署前先检查配置,再构建并验证 |
这张表帮助理解保存对象,不代表普通 add() 会自动把每条记忆标成三类,也不要求为三类内容分别建立三套数据库。
在 Python OSS 接口中,非空 memory_type 目前只接受 "procedural_memory";同时提供 agent_id 时,才进入专门的程序性记忆生成路径。普通事实提取不需要传入语义或情景类型,直接传入这两个枚举值会被拒绝。实际接口与分支
应用使用的“偏好”“项目决定”“问题修复”等业务分类,又是另一个组织方式,可以按接口约定放入 metadata 或平台分类中。它们用于业务筛选,不应与 SDK 的 memory_type 混为一谈。
生命周期:短期背景与长期记忆怎样交叉
短期与长期描述信息参与工作的方式和保留需求,与前两组分类交叉。
| 生命周期视角 | 主要用途 | 在本文讨论的实现中怎样体现 | 与作用域、内容类型的关系 |
|---|---|---|---|
| 短期背景 | 支持当前推理或近期交互 | 当前模型上下文,以及提取时使用的近期消息背景 | 可以包含用户事实、任务事件或操作步骤,不由某个身份字段直接决定 |
| 长期记忆 | 在后续会话或任务中重新检索与复用 | 持久保存的记忆记录,按问题与范围查询 | 用户、Agent 或 run 范围内的事实、经历与流程都可能长期保留 |
例如,“用户偏好中文回答”可以同时是用户范围的语义记忆,并作为长期记录保存;“某次排错的处理经过”可以是 run 范围的情景记忆,也可以在任务结束后继续保留。
因此,run_id 不会让记忆随会话结束自动消失,带着用户标识也不等于永久保存。期限、删除与清理策略需要另行设置。短期背景也未必只在内存里:近期消息可以保存在 SQLite,但其用途仍是为提取提供有限背景,而非充当完整聊天归档。近期消息与历史存储
实现组成:引擎组件与存储职责怎样对应
明确保存对象以后,再看它怎样被处理。开源 Python 引擎以 Memory 为入口,连接提取模型、embedding、存储与可选重排等组件;这些是实现职责,与前面的内容类型分别理解。组件配置
| 实现职责 | 组件或主要数据位置 | 负责什么 |
|---|---|---|
| 事实提取 | LLM 与提取提示 | 从输入和相关背景中形成记忆文本 |
| 向量表示 | Embedder | 将记忆和查询转换为用于相似性检索的向量 |
| 当前记忆与候选检索 | Vector store;正文和 metadata 在记录 payload 中 | 保存当前记忆及 embedding,按范围过滤并召回候选 |
| 历史与近期背景 | SQLite 的 history、messages 表 | 记录单条记忆的变化,为提取提供近期消息 |
| 实体关联 | 通过向量存储接口维护的实体集合 | 关联实体与记忆 ID,为检索提供匹配加分 |
| 可选重排 | Reranker | 在融合后的候选中进一步调整顺序 |
当前记忆正文、变更历史和实体关联分别服务于不同读取需求,不能理解成“语义记忆存在向量库、情景记忆存在 SQLite、程序性记忆存在实体库”的一一对应关系。history 也不是整个 Agent 的执行日志。
组件可以有不同的运行位置和后端。采用 pgvector 时,向量后端也使用 SQL;自建 Mem0 服务时,提取模型和 embedding 仍可能调用外部服务。实际数据位置、模型调用和维护责任,需要结合配置确认。
应用接入:写入与检索由谁发起
Mem0 的工作机制说明给出两个常见接入点:有价值的交互之后调用 add,需要回答问题之前调用 search。应用读取返回的记忆,选择相关内容放入 Prompt,再请求模型。

自绘关系图:写入积累可复用信息,检索为后续请求提供材料;应用决定调用时机、输入组装和任务执行,底部列出 OSS 的存储职责。
这两条路径可以放进现有 Agent 循环,也可以由服务端在不同入口调用。Mem0 负责记忆处理,Agent 原有的工具调度、工作区和执行状态继续由宿主组织。
写入是否等待完成,也需要看具体调用方式。直接使用同步 OSS 接口、使用异步接口,以及通过托管服务后台处理,具有不同的等待与观察方式。界面显示一轮对话已经结束,不代表所有后台记忆提取都已完成。
3 记忆写入:事实提取、去重与后续管理
Mem0 的普通写入主要由 LLM 按提示提取内容,再由宿主解析、嵌入和保存。第二章中的内容分类帮助理解记忆用途,实际调用是否切换处理路径,则取决于接口参数。先把这两件事分开,才能看清提取过程。
提取准备:模型会收到哪些信息
调用 add() 时,应用提交消息、身份范围和业务 metadata。普通 infer=True 路径先准备背景,再调用提取模型;并不是把每条原始消息直接当作一条长期记忆保存。
| 提取材料 | 从哪里来 | 在提取中的作用 |
|---|---|---|
| 新消息 | 本次传入的 user、assistant 等消息 | 提供这次需要提取的新信息 |
| 近期消息 | 相同会话范围的消息缓冲 | 解释指代和前后文,帮助理解当前消息 |
| 相关旧记忆 | 对新消息做 embedding 后,在相应身份范围内召回 | 告诉模型哪些内容已保存,减少重复提取 |
| 日期与自定义要求 | 提示构造器及应用配置 | 提供时间背景,并用 custom_instructions 表达希望保存的内容 |
普通写入实现中的这条路径读取最近 10 条消息,并召回最多 10 条相关旧记忆。模型看到的是有限背景,不是每次遍历完整聊天记录和整个记忆库。

自绘流程图:图示普通 infer=True 写入,参考已有背景后追加提取结果;直接写入和程序性摘要另有处理路径,显式更新与删除走管理接口。
提取规则与输出:LLM 怎样生成记忆
宿主将提取系统提示与组织好的输入交给 LLM,并要求返回 JSON。提示告诉模型关注事实、偏好、计划、经历等有复用价值的内容,跳过纯寒暄,将指代补成能独立理解的陈述,并参考旧记忆跳过没有新增含义的重复信息。实际提取提示
信息归属也需要判断。用户说自己选择了什么,与助手建议用户选择什么,应形成不同表述;助手提出建议,不意味着用户已经采纳。custom_instructions 可以进一步收窄任务,例如重点保留项目约定和明确偏好。
假设输入中包含“以后请用中文回答”和“这次数据库迁移因缺少 DATABASE_URL 配置而失败”,提取结果可以用下面的简化结构说明:
{
"memory": [
{
"id": "0",
"text": "用户希望后续使用中文回答。",
"attributed_to": "user"
},
{
"id": "1",
"text": "用户报告本次数据库迁移因缺少 DATABASE_URL 配置而失败。",
"attributed_to": "user"
}
]
}第一条在内容上可理解为语义记忆,第二条可理解为情景记忆,但输出中并没有自动设置这两个 memory_type。attributed_to 表示信息来源,也不是语义/情景分类标签。没有值得新增的内容时,模型可以返回空的 memory 数组。
提示规定了理想的提取行为,宿主还需要解析返回内容;JSON 可以被读取,不代表其中的事实、归属和时间已经经过独立验证。
解析与保存:宿主怎样把输出变成记录
普通路径从返回对象的 memory 数组取得各条 text,批量生成 embedding,再检查文本哈希。去重覆盖当前批次和此前召回的旧记忆:模型在提取时尝试避免语义重复,宿主则用哈希排除精确重复,两者都不能据此保证全库信息没有冲突。
通过检查的记录被分配持久 ID,连同正文、身份字段、metadata、哈希及时间属性写入向量存储。成功写入的记录再进入历史记录与实体关联处理,实体信号供之后检索使用。
这里有几组字段需要区分:
| 字段或标识 | 由谁提供 | 保存和读取时的含义 |
|---|---|---|
提取结果的 id | 模型输出的临时序号 | 例如 "0"、"1";不是持久记忆的 UUID |
| 记忆正文 | 模型提取或应用直接提供 | 提取时为 text,内部 payload 使用 data,对外结果通常使用 memory |
attributed_to | 提取模型按提示判断 | 记录信息来源,不替代用户/Agent 身份范围 |
| 身份与业务 metadata | 应用通过接口传入 | 表达归属和筛选条件,不是模型自动发现的完整授权关系 |
| 持久记忆 ID | 宿主生成 | 用于 get、update、delete 和 history 等操作 |
创建和更新时间描述记录的保存或修改,不直接等于事件发生时间。搜索分数则属于某次查询的排序结果,不是事实真实程度。理解这些字段以后,才能把“模型提取了什么”和“系统实际保存了什么”对应起来。
类型与调用:哪些区分真正改变处理路径
普通事实提取不先运行一个语义/情景/程序性三分类器。语义事实和具体经历通常进入同一条提取、嵌入与保存流程;显式参数才决定是否进入另一条生成路径。
| 调用条件 | 实际处理方式 | 是否自动区分语义/情景 |
|---|---|---|
普通 add(..., infer=True) | 用提取提示生成多条新增记忆,再嵌入保存 | 不自动赋予这两种类型标签 |
普通 add(..., infer=False) | 跳过普通提取和候选去重,将非 system 消息内容直接嵌入保存 | 不进行内容三分类 |
同时提供 agent_id 和 memory_type="procedural_memory" | 调用专门的程序性记忆生成,再保存结果 | 是显式选择生成路径,不是模型先分类后自动切换 |
向 memory_type 传入 "semantic_memory" 或 "episodic_memory" | 当前 Python OSS 接口会拒绝 | 枚举名称不等于已开放的写入模式 |
实际调用分支要求程序性值与 agent_id 同时出现。只传程序性值而缺少 agent_id,会落到普通路径;程序性分支又先于普通 infer 分支,因此在满足条件时,即使传入 infer=False,仍会调用 LLM。
专门的程序性路径接收执行消息,默认提示要求组织任务目标、进度、顺序动作、结果、错误和当前状态,并要求保留动作输出。宿主接收整段文本,将其作为一条记忆嵌入保存,并写入 memory_type="procedural_memory"。它更具体地体现为执行历史摘要,不能只凭名称就认为系统已经学会了一套可自动执行的通用操作规则。提示对完整性和原始输出的要求,也不等于代码会逐项验证它们。
业务分类另作处理。OSS 中明确已知的“回答偏好”“项目决定”等标签,可以由应用写入 metadata;若需要自动分类,也要由应用补充相应处理。Platform 则支持按类别目录自动选择 categories,目录可以在项目或单次写入中配置,修改目录不会自动重标已有记忆。平台分类说明
后续使用:内容差异怎样影响查询
这三类适合在确定提取目标、设计记录字段和选择取用方式时区分。同一次部署可以留下项目配置这一事实、部署失败这一事件,以及检查配置的操作经验。它们分别帮助回答“知道什么”“发生过什么”和“应该怎样做”,同一段经历也可能同时提供这三种内容。
| 内容用途 | 适合区分的场景 | 取回后怎样使用 | Mem0 后续调用的实际差异 |
|---|---|---|---|
| 语义事实与偏好 | 回答用户偏好、项目配置和约定等问题 | 作为当前回答和决策的背景,例如项目使用 PostgreSQL | 用共同的 search 按问题和身份查找;应用可用业务标签组织偏好、约定等范围 |
| 情景与事件 | 复盘某次任务、追溯故障及其处理结果 | 提供带情境的经历,例如上次部署因缺少环境变量失败 | 仍用 search、get 等接口,查询可强调事件、运行范围和应用保存的时间字段;普通 OSS 不因此自动获得平台时间推理 |
| 程序性内容;专用路径产出执行摘要 | 执行相似任务时参考流程,或接续已有任务 | 提供步骤和执行背景,例如此前检查了哪些配置、得到了什么结果、还有什么未完成 | 仍从记忆库查询;专用路径生成的记录可在身份范围内按已保存的 memory_type 过滤,再将摘要交给 Agent |
这些用途共用 search()、get() 等读取接口。程序性记忆也保存在共同的向量存储中,取回它不会自动执行其中的步骤,也不会单凭摘要恢复所有进程和外部状态;怎样用于后续行动,仍由 Agent 的宿主与模型决定。读写接口与程序性处理
如果应用确实需要给普通记忆加上语义/情景硬标签,可以自行分类后写入业务 metadata,并在查询时过滤。只在提示词里要求模型“区分类别”,而不增加解析和保存逻辑,并不会让 OSS 自动维护这些字段。
追加与维护:更正和遗忘怎样完成
普通提取采用 ADD-only,信息变化后新旧事实可能共存。ADD、UPDATE、DELETE 是数据操作,语义、情景、程序性是内容理解或生成模式,二者没有固定的一一对应:一条偏好不会因为被理解为语义记忆,就在下次出现变化时自动执行 UPDATE。官方算法说明
需要明确更正时,应用可以先定位记忆 ID,再调用 update(memory_id, text=...),通过 get 或再次搜索确认。history(memory_id) 用于查阅单条记忆的变化。原论文中抽取后选择增删改的设计,与这里的默认追加路径分别理解。更新接口、原论文
过期记忆默认从 search 和 get_all 中隐藏,按 ID 仍可以读取;过期不等于物理移除。删除当前记忆后,历史仍可能保存旧文本,向量记录、历史与关联存储也不是一个覆盖全部组件的事务。过期规则、删除操作
完整聊天归档、长期审计及特定清理要求,需要另外明确保存对象和保留策略。它们与记忆提取可以配合,但不能只凭一次 add 或 delete 的返回就推断全部资料已经保存或清除。
4 记忆检索:范围过滤、候选排序与上下文注入
搜索范围:先决定允许查哪些记忆
search 接收自然语言问题以及 filters。开源接口要求过滤条件至少包含 user_id、agent_id、run_id 之一,分别用于用户、Agent 或运行范围;在此基础上,还可以加入项目、信息类型等业务 metadata 条件。元数据过滤
这些身份字段不是一套自动继承的层级。若平级条件同时写入过滤字典,就共同约束候选。例如同时指定用户和 run,只会找该范围中的记录;每次都限定为当前 run,可能使之前会话的长期记忆无法被取回。
应用应根据任务决定搜索范围:复用跨会话偏好时按用户查询,回看某次任务时再收窄到对应运行。字段来自哪里、当前用户能访问哪些范围,也要由应用正确落实,不能把一段客户端传入的过滤条件当作完整授权机制。按 ID 读取、更正和查阅历史时,同样需要确认该记录属于当前授权范围。
候选与加分:混合检索怎样产生排序
开源检索从向量后端取得语义候选,再结合可用的关键词与实体信号评分。关键词与实体匹配可以影响候选之间的顺序,但不把向量候选池之外的条目补进结果。Search Memory

自绘流程图:语义召回提供候选,阈值先筛语义分数,关键词与实体信号在候选范围内加分;融合 Top-K 后才进入可选重排。
语义信号处理表达相近的内容,BM25 关注词项匹配,实体关联则帮助涉及同一人物、项目或组织的问题。BM25 和实体项是否可用,取决于后端和相应依赖;缺少某项时,检索仍可以依靠其余信号。
评分实现使用归一化的加法融合,可以概括为:
其中 BM25 项经过归一化,实体项是匹配加分,Z 随本次可用信号调整。没有相应项时,不应把它当作始终存在的完整三信号流程。
另一个容易影响调参判断的细节是 threshold:它先作用于语义分数,再进行融合。关键词匹配再强,也不能把语义阈值已经排除的条目带回来。融合分数随后排序并截到 top_k,配置并启用 reranker 时,再对这批结果重排。
这意味着,融合 Top-K 中已经漏掉的记忆,不会仅靠后面的重排器重新出现。调参时需要先判断问题发生在召回、阈值还是排序,而不是只更换 reranker。
返回结果:相关记忆怎样成为有效上下文
Mem0 返回记忆文本、标识和相关属性,应用再决定实际采用哪些条目。任务目标、当前明确要求和输入预算,都会影响这次选择。
长期记忆可以提供背景,但当前用户明确提出的新要求仍需要被正确处理。如果新旧偏好同时被检索到,应检查其语义与有效条件,必要时更正记录,不能仅凭排序第一就认定它一定最新。
对于检索调试,explain=True 可以返回分项评分,帮助观察语义、关键词和实体信号各贡献了什么。还需要继续检查这些材料是否进入了实际请求,以及模型是否据此回答;检索命中率与最终任务效果是不同的观察对象。
5 工程接入:一个最小示例与三种运行方式
最小闭环:写入、取用与显式更正
下面用 Python OSS 接口保存一条已确认的回答偏好,再将搜索结果组织成模型输入。安装 mem0ai 后,为默认使用的模型与 embedding 提供方配置凭据;LLM、embedding 和存储均可通过配置文件替换。
示例将 Qdrant 数据和 history 放在指定本地路径。它使用 infer=False 写入明确偏好,普通对话的事实提取则按前文的默认路径处理。
from mem0 import Memory
memory = Memory.from_config({
"vector_store": {
"provider": "qdrant",
"config": {
"collection_name": "response_preferences",
"path": "./mem0-demo-data",
},
},
"history_db_path": "./mem0-demo-history.db",
})
user_id = "reader-01"
created = memory.add(
"用户希望使用中文回答,并保留必要的英文术语。",
user_id=user_id,
metadata={"kind": "response-preference"},
infer=False,
)
memory_id = created["results"][0]["id"]
def build_messages(question):
hits = memory.search(
"用户对技术回答的语言、术语和解释详细程度有哪些偏好?",
filters={"user_id": user_id, "kind": "response-preference"},
top_k=3,
)
notes = "\n".join(item["memory"] for item in hits["results"])
return [
{
"role": "system",
"content": (
"你是技术助手。历史偏好仅供参考,当前明确要求优先。\n"
f"相关历史偏好:\n{notes}"
),
},
{"role": "user", "content": question},
]
question = "请解释 Agent 的长期记忆。"
messages_before = build_messages(question)
memory.update(
memory_id=memory_id,
text="用户希望使用中文,保留必要术语,并详细解释关键机制。",
)
current_memory = memory.get(memory_id)
messages_after = build_messages(question)messages_before 与 messages_after 可以交给应用已有的模型接口。示例先按“回答偏好”检索,再与真正的技术问题组合,使通用表达偏好不必依赖问题主题恰好与它相近。current_memory 用于检查更正后的当前记录,而再次搜索可以观察这条记录怎样参与后续输入。
这个小例子明确了职责:Mem0 保存和搜索,应用构造请求,模型根据本轮收到的材料回答。取得真实交互后,应用还可以把本轮 user、assistant 消息交给普通 add,提取新的长期事实。
示例使用固定演示用户,真实服务需要从可信身份得到范围。它也没有强制一套聊天框架,现有 Agent 可以在相应位置接入同样的调用。
运行方式:库、自建服务与托管平台怎样选择
开源概览将直接使用库与自建服务分开。前者嵌入应用进程,后者在库外提供 REST API 和服务层管理;Mem0 Platform 则由平台运行相关基础设施。
| 方式 | 应用怎样调用 | 谁运行与维护主要组件 | 更需要关注什么 |
|---|---|---|---|
| OSS 库 | 应用中的 Memory / AsyncMemory | 应用团队配置模型、embedding、存储及依赖 | 与现有循环的衔接、进程和数据路径 |
| 自建 REST 服务 | HTTP API,也可配自建 dashboard | 自己部署服务与存储,配置模型提供方 | 服务身份、API key、运行维护及数据保留 |
| Mem0 Platform | MemoryClient / AsyncMemoryClient 等托管接口 | 平台维护托管组件,应用使用其服务 | 平台能力、调用策略、范围映射与服务成本 |
自建服务已经提供 dashboard、身份和 API key 等入口,不能把“直接使用库没有服务界面”推广为整个开源部署方式没有界面。Self-Hosted Setup
托管平台还有与开源引擎不同的能力,例如图记忆、时间推理和后台记忆整理。开源实体关联只服务于检索加分,并不是同一个可查询的关系图。Platform 与 OSS 对照
两个模式中的字段也要按各自接口理解。Platform 的 app_id 有平台范围语义;OSS 中自行放进 metadata 的同名业务字段,需要由应用明确设置和过滤,不能因为名称相同就认为管理与授权能力也相同。
接入检查:效果与成本沿整条链路观察
接入时,可以先观察一条有用记忆是否完成了保存、能否在正确范围中检索、是否进入模型请求,以及更正以后是否真的改变了后续输入。这样能将抽取、检索和生成的问题分开定位。
模型、embedding 与向量维度也需要配套。替换 embedding 模型后,要确认输出维度、存储配置及已有数据是否匹配;直接更换配置,不会自动让旧向量转换到新空间。
成本要同时看提取、embedding、存储、检索、可选重排与回答生成。减少了 Prompt 中的历史 token,不一定意味着整条系统都更便宜。对读取频繁而值得长期复用的信息,记忆层的价值更容易体现;大量一次性材料是否需要持续提取,则可以按实际用途决定。
6 使用分享:从个人助手到编码与多 Agent 协作
个人助手:怎样让跨会话偏好进入下一次回答
Build a Companion with Mem0展示了一个完整接入方式:回答前搜索相关记忆,将结果组织进模型输入,拿到回答后再保存本轮交互。它同时给出 OSS 和托管平台两种配置。
这个教程值得参考的地方,是把目标、临时约束和偏好组织为不同用途的材料。业务 metadata 可以帮助选择范围,custom_instructions 则表达希望从对话中提取什么。长期目标和短期条件可能同时相关,但保存与取用策略不必完全一样。
从这个用法可以进一步观察:用户换一个问题时,取回的材料是否随之改变;偏好变更后,旧事实是否仍在干扰;不相关的记忆是否占据输入。实际收益取决于完整循环,而不是只看库里已经存了多少条记录。
教程中的对话用于说明流程。接入自己的应用时,可以保留其读写位置,再围绕具体任务选择保存对象与筛选条件,不必复制全部场景设定。
编码 Agent:项目经验怎样从会话活动中积累
Mem0 的 Claude Code 插件提供了另一种接入位置。它通过 hooks 捕获会话活动,在后台提取记忆,再在后续会话中召回,而不是要求用户每次手动调用 add。

图源:Mem0,Claude Code 集成文档,Apache-2.0 许可。原 SVG 未修改,PNG 仅作格式转换。图示 Mem0 Platform 插件的捕获、后台提取与召回过程,触发条件见正文。
捕获材料包括主 Agent 的交互、文件变化及简短的测试和构建结果。后台处理按相应批次、空闲或结束条件触发。捕获完成、服务完成提取和下一次能够查到记忆,是不同的时机。
插件将共享项目事实与个人偏好分别组织:项目约定、决策和问题修复可进入项目范围,个人习惯进入用户范围。项目、仓库、用户和运行标识共同影响写入与查询,具体搜索还可以缩到目录或指定会话。
新会话的首条提示至少 20 个字符时会自动召回,最多注入 5 条相关记忆;较短的首条提示或之后的问题可以显式搜索。图中写入请求携带多种标识,提取后的共享项目记忆与个人记忆仍分别归属,不能将它们理解为每条记录都同时绑定所有身份。
遇到“刚结束会话却还查不到”时,应先检查捕获、后台提取和搜索范围,不能仅看会话是否关闭。
这个插件依赖 Mem0 Platform。它说明了 Mem0 怎样与已有 Agent 记忆配合:稳定项目规则可以继续留在原有文件中,持续交互形成的经验则有另一条采集与检索路径。两类信息是否采用,仍需要服从当前任务与有效约束。
多 Agent 协作:共享可检索材料怎样接到工作流
LlamaIndex 的多 Agent 集成示例通过 Mem0Memory.from_client 创建记忆适配,将同一记忆上下文交给负责讲解和练习的两个角色。工作流中传入该 memory 对象,让角色能够使用相关的持续信息。
这个例子表明,框架仍可以负责角色、工具和任务交接,Mem0 负责它接入的记忆路径。双方分工后,不需要把完整对话作为唯一交接材料,每个角色可以按任务查询相关背景。
共同使用一份记忆对象,也不等于所有状态、权限和未确认结果都应共享。示例按学生组织范围,实际应用则需要决定哪些信息属于个人、项目或某次任务,并让各入口采用一致的身份映射。
该示例使用托管客户端,部分学习评价逻辑是演示。更有借鉴意义的是适配位置和范围设计:先决定哪些材料值得持续复用,再让记忆接入现有工作流。
使用取舍:从案例回到自己的系统
| 场景 | 主要接入点 | 可借鉴的做法 |
|---|---|---|
| 个人助手 | 回答前检索、交互后保存 | 将保存对象、业务筛选和 Prompt 使用连起来 |
| 编码 Agent | hooks 捕获、后台提取、后续召回 | 分开项目经验与个人偏好,观察后台处理与搜索范围 |
| 多 Agent 协作 | 框架 memory 适配与共同上下文 | 保留原有编排,用统一记忆接口复用相关材料 |
这些用法也提供了一组直接的观察问题:有用事实是否保留下来,相关问题能否取回,回答是否使用了它,信息更正是否生效,以及为此增加了多少调用和等待。
Mem0 原论文提供了质量与资源取舍的研究结果,但需要结合实验口径阅读。常见的约 26% 提升,是相对特定记忆基线的模型裁判指标提升;p95 延迟和 token 节省则有各自的比较对象。论文中的完整历史方案在最终答案评分上仍高于 Mem0,检索上下文更少也不代表整个写入与使用过程的成本等比例下降。
选择 Mem0 时,可以先确定现有系统缺少哪种能力,再检查完整读写链带来的收益与成本。稳定规则、执行恢复和跨会话事实复用各有不同的实现需求;Mem0 最值得评估的,是它能否减少持续提取、检索和管理这些事实所需的开发与维护工作。

